基于子空间的多视图聚类算法——带异常值项的基于子空间的多视图聚类模型（Generalized Latent Multi-view Subspace Clustering, gLMSC）

带异常值项的基于子空间的多视图聚类模型（Generalized Latent Multi-view Subspace Clustering, gLMSC）是一种针对复杂数据集的高级聚类技术，特别是在存在噪声和异常值的情况下。

gLMSC模型通过在子空间表示的基础上引入异常值检测机制，旨在提高聚类的鲁棒性。

下面是对gLMSC模型的详细解释，包括其步骤、涉及的公式及其作用。

gLMSC模型概述

gLMSC模型的核心思想是利用每个视图的数据在低维子空间上的表示，同时检测和移除异常值，以获得更纯净的表示矩阵。

这有助于提高聚类结果的质量，尤其是当数据集中存在噪声和异常点时。

步骤与公式

1. 初始表示学习

在每个视图 $v$ 上，学习一个表示矩阵 $C_v$ 和异常值矩阵 $E_v$，

其中

• $C_v$ 描述数据点在子空间上的线性表示
• $E_v$ 标识数据中的异常值。

2. 优化目标函数

对于每个视图 $v$，gLMSC模型的目标函数如下：

$$\underset{C_v,E_v}{\min }\frac{1}{2}\Vert X_v-X_v{C}_v-E_v{\Vert }_F^2+{\lambda }_v\Vert C_v{\Vert }_1+{\mu }_v\Vert E_v{\Vert }_1$$

• $X_v$ 是第 $v$ 个视图的数据矩阵；
• $C_v$ 是学习到的表示矩阵；
• $E_v$ 是异常值矩阵；
• ${\lambda }_v$ 和 ${\mu }_v$ 是正则化参数，分别控制表示矩阵的稀疏性和异常值矩阵的稀疏性；
• $\Vert \cdot {\Vert }_F$ 表示矩阵的弗罗贝尼乌斯范数；
• $\Vert \cdot {\Vert }_1$ 表示矩阵的 $l_1$ 范数，用于促进稀疏性。

3. 融合表示矩阵

一旦得到每个视图的表示矩阵 $C_v$，接下来需要将它们融合成一个统一的表示矩阵 $C$。这可以通过加权平均或更复杂的融合策略实现。

$$C=\sum _{v=1}^V{w}_v{C}_v$$

• $V$ 是视图的总数；
• $w_v$ 是第 $v$ 个视图的权重。

4. 聚类

最后，基于融合后的表示矩阵 $C$，应用聚类算法（如谱聚类）来划分数据点。

公式的作用

• 初始表示学习：公式 ${\min }_{C_v,E_v}\frac{1}{2}\Vert X_v-X_v{C}_v-E_v{\Vert }_F^2+{\lambda }_v\Vert C_v{\Vert }_1+{\mu }_v\Vert E_v{\Vert }_1$ 的作用是同时学习表示矩阵和异常值矩阵，确保数据点在子空间上的准确表示，同时检测并排除异常值。
• 融合表示矩阵：公式 $C={\sum }_{v=1}^V{w}_v{C}_v$ 用于融合来自不同视图的信息，以获得一个更全面的表示，这有助于提高聚类的准确性和鲁棒性。
• 聚类：基于融合后的表示矩阵 $C$ 进行聚类，得到最终的数据分组。

gLMSC模型通过在子空间表示中加入异常值检测，能够更有效地处理带有噪声和异常值的数据，从而在复杂数据集的聚类任务中表现出色。