基于图模型的多视图学习——无参数的自权重多图学习（Auto-weighted Multiple Graph Learning, AMGL）

无参数的自权重多图学习（Auto-weighted Multiple Graph Learning, AMGL）是一种用于多视图学习的方法，特别适用于处理具有多个角度或特征表示的数据。

AMGL的目标是在不需要人工设定参数的情况下，自动确定不同视图或图的相对重要性，从而整合多个图的信息来提高分类或聚类的准确性。

AMGL 方法概述

AMGL 方法主要关注如何有效地结合多个图的信息。

在传统的多图学习中，不同的图可能代表了数据的不同方面或特征，而AMGL则试图找到一个最优的权重分配策略，使得最终的融合图能够最大程度地保留原始数据的内在结构。

AMGL 的公式

假设我们有 $K$ 个图 { G k } k = 1 K \{G_k\}_{k=1}^{K} {Gk​}k=1K​ ，其中每个图 $G_k=(V,E_k,W_k)$ 包含相同的顶点集合 $V$ 和不同的边集合 $E_k$ 与权重矩阵 $W_k$ 。

目标是学习一个权重向量 $\alpha =[{\alpha }_1,{\alpha }_2,...,{\alpha }_K{]}^T$ ，并构建一个综合图 $G=(V,E,W)$ ，其中 $W={\sum }_{k=1}^K{\alpha }_k{W}_k$ 。

拉普拉斯矩阵

对于每个图 $G_k$ ，我们可以构造其对应的拉普拉斯矩阵 $L_k=D_k-W_k$ ，其中 $D_k$ 是 $G_k$ 的度矩阵，即 $D_k$ 的对角元素是 $W_k$ 的行和。

目标函数

AMGL 的目标函数旨在最小化所有视图的总变化，同时保持图之间的差异性，可以用以下公式表示：

$$\underset{\alpha }{\min }\sum _{k=1}^K{\alpha }_{k}Tr(X^T{L}_{k}X)-\lambda {\alpha }^{T}Q\alpha$$

其中，

• $Tr$ 表示矩阵的迹（即主对角线元素的和）。
• $L_k$ 是第 $k$ 个视图的拉普拉斯矩阵
• $X$ 是·数据矩阵，其中每一列代表一个样本。·
• $Q$ 是一个矩阵，用于衡量不同视图之间的相似性，通常由数据的协方差矩阵得到。
• $\lambda$ 是一个正则化参数，平衡不同视图之间的贡献和它们之间的差异性。

约束条件

AMGL 方法还包含两个约束条件：

1. ${\alpha }_k\ge 0$ ，确保所有权重都是非负的。
2. ${\sum }_{k=1}^K{\alpha }_k=1$ ，确保权重向量 $\alpha$ 归一化，即所有视图的权重总和为1。

解决方案

AMGL 的目标函数可以通过求解二次规划问题来解决。

一旦得到了最优的权重向量 $\alpha$ ，就可以构建出最终的综合图，用于后续的分类或聚类任务。

公式字符解释

• $K$ ：视图的数量。
• $G_k$ ：第 $k$ 个视图的图。
• $V$ ：图的所有顶点集合。
• $E_k$ ：第 $k$ 个视图的边集。
• $W_k$ ：第 $k$ 个视图的权重矩阵。
• $D_k$ ：第 $k$ 个视图的度矩阵。
• $L_k$ ：第 $k$ 个视图的拉普拉斯矩阵。
• $\alpha$ ：权重向量。
• $X$ ：数据矩阵。
• $Tr$ ：矩阵迹运算符。
• $Q$ ：视图间相似性矩阵。
• $\lambda$ ：正则化参数。

通过以上方法，AMGL 能够自动学习到不同视图的重要性，进而提升基于图的学习任务的性能。