基于多图的聚类算法——多图聚类模型（Graph-based Multi-view Clustering, GMC）

多图聚类模型（Graph-based Multi-view Clustering, GMC）是一种专门设计用于处理多视图数据的聚类算法，它利用图结构来捕捉数据点之间的关系，并通过联合优化多个视图的图表示来达到更准确的聚类效果。

GMC算法的核心在于能够有效融合不同来源的信息，即使这些信息可能存在矛盾或不完整，也能从中提取出一致的聚类结构。

GMC算法的步骤和公式

1. 数据预处理

每个视图的数据集 X v = { x v , 1 , x v , 2 , … , x v , n } \mathcal{X}_v = \{x_{v,1}, x_{v,2}, \ldots, x_{v,n}\} Xv​={xv,1​,xv,2​,…,xv,n​}
其中

• $v=1,2,\dots ,V$ 表示视图索引
• $V$ 是视图的总数
• $n$ 是数据点的个数。

2. 构建图相似矩阵

对于每个视图 $v$，构建图相似矩阵 $W_v$，通常使用高斯核函数来度量数据点之间的相似性：
$$W_v(i,j)=\exp \left(-\frac{\Vert x_{v,i}-x_{v,j}{\Vert }^2}{2{\sigma }^2}\right)$$
其中，$\sigma$ 是高斯核的带宽参数，$\Vert \cdot \Vert$ 表示欧几里得距离。

3. 构建拉普拉斯矩阵

对于每个视图 $v$，构建拉普拉斯矩阵 $L_v$：
$$L_v=D_v-W_v$$
其中，$D_v$ 是度矩阵，其对角线元素 $D_v(i,i)={\sum }_j{W}_v(i,j)$。

4. 融合多视图信息

通过加权平均的方式融合所有视图的拉普拉斯矩阵，得到融合后的拉普拉斯矩阵 $L$：
$$L=\sum _{v=1}^V{\alpha }_v{L}_v$$
其中，${\alpha }_v$ 是第 $v$ 个视图的权重，通常需要满足 ${\sum }_{v=1}^V{\alpha }_v=1$。

5. 求解特征向量

求解融合后的拉普拉斯矩阵 $L$ 的特征向量，这通常涉及到求解以下广义特征值问题：
$$Lh=\lambda Dh$$
其中，$h$ 是特征向量，$\lambda$ 是对应的特征值，$D$ 是融合后的度矩阵。

6. 聚类

选取前 $k$ 个特征向量（$k$ 是聚类数目），构成矩阵 $H$，并对 $H$ 的每一行应用 $k$-means 算法，以确定数据点的最终聚类归属。

目标公式

GMC算法的目标函数可以表述为最小化以下目标：
$$\underset{H}{\min }\text{Tr}(H^{T}LH)$$
其中

• $\text{Tr}$ 表示矩阵的迹
• $H$ 是由特征向量构成的矩阵
• $L$ 是融合后的拉普拉斯矩阵。

公式的作用

• 构建图相似矩阵：$W_v$ 描述了每个视图中数据点之间的相似度，这对于构建图结构至关重要，是后续步骤的基础。
• 构建拉普拉斯矩阵：$L_v$ 描述了图的结构，它反映了数据点之间的连接强度和网络结构。
• 融合多视图信息：通过加权平均融合所有视图的拉普拉斯矩阵，可以充分利用多视图信息，提高聚类的准确性和鲁棒性。
• 求解特征向量：特征向量提供了`数据点在低维空间中的表示``，便于后续的聚类分析。
• 聚类：最终的聚类步骤通过将数据点映射到特征向量空间，然后应用 $k$-means 算法来确定聚类归属。

GMC算法通过上述步骤，能够有效地处理多视图数据集，捕捉数据点之间的复杂关系，并通过融合多源信息来增强聚类结果的准确性和一致性。