基于超图的聚类算法——基于一致图表达的鲁棒多视图聚类模型

基于一致图表达的鲁棒多视图聚类模型（Robust Multi-view Clustering based on Consistent Graph Representation, RMC-CGR）是一种针对多视图数据的聚类方法。

这类数据集包含了来自不同角度或源的信息，例如，一个人脸识别系统可能同时使用颜色图像、深度图像和红外图像来识别同一个人。

RMC-CGR旨在从这些不同的视图中发现共同的聚类结构，同时处理数据中的噪声和异常值。

主要步骤

1. 视图融合
2. 鲁棒表示学习
3. 聚类

详细步骤与公式

视图融合

• 构建视图图：对于每个视图 $v$，构建一个相似性矩阵 $S_v$。这通常是通过计算视图 $v$ 中每对样本的相似度来完成的。常见的相似性度量包括欧氏距离、余弦相似度等。

鲁棒表示学习

• 低秩和稀疏分解：将每个视图的相似性矩阵分解为低秩部分 $L_v$ 和稀疏部分 $E_v$。低秩部分捕捉了数据的全局结构，而稀疏部分则吸收了噪声和异常值。这个分解可以通过求解以下优化问题来实现：

$$\underset{L_v,E_v}{\min }\sum _v{\lambda }_v\Vert L_v{\Vert }_{\ast }+{\mu }_v\Vert E_v{\Vert }_1\text{s.t.}{S}_v=L_v+E_v$$

这里

• $\Vert L_v{\Vert }_{\ast }$ 是矩阵 $L_v$ 的核范数

• $\Vert E_v{\Vert }_1$ 是矩阵 $E_v$ 的 $l_1$ 范数

• ${\lambda }_v$ 和 ${\mu }_v$ 是正则化参数。

• 一致性约束：引入一致性约束来确保所有视图的低秩表示 $L_v$ 之间的一致性。这通常通过最小化不同视图的低秩表示之间的差异来实现。一致性约束可以表示为：

min ⁡ { L v } ∑ v , u w v u ∥ L v − L u ∥ F 2 \min_{\{L_v\}} \sum_{v, u} w_{vu}\|L_v - L_u\|_F^2 {Lv​}min​v,u∑​wvu​∥Lv​−Lu​∥F2​

这里

• $w_{vu}$ 是视图 $v$ 和视图 $u$ 之间的一致性权重
• $\Vert L_v-L_u{\Vert }_F^2$ 是 $L_v$ 和 $L_u$ 之间的弗罗贝尼乌斯范数。

聚类

• 构建最终的聚类表示：通过加权平均所有视图的低秩表示 $L_v$ 来构建最终的聚类表示 $L$：

$$L=\sum _v{w}_v{L}_v$$

这里，$w_v$ 是视图 $v$ 的权重。

• 谱聚类：将最终的聚类表示 $L$ 用于谱聚类算法，以得到最终的聚类结果。这通常涉及到计算 $L$ 的特征向量，然后使用 k-means 或其他聚类算法对这些特征向量进行聚类。

公式的作用

• 低秩和稀疏分解：此步骤的目标是分离出每个视图的全局结构（低秩部分）和异常值（稀疏部分）。低秩部分有助于捕捉数据的固有维度，而稀疏部分则过滤掉噪声和异常值，提高了聚类的鲁棒性。
• 一致性约束：确保不同视图的低秩表示之间的一致性，这有助于从多个角度理解数据，从而得到更可靠的聚类结果。
• 谱聚类：通过将最终的聚类表示转换为谱域，谱聚类算法可以在数据的低维嵌入上找到自然的分割，从而提高聚类的质量。

RMC-CGR模型通过结合多视图信息和鲁棒表示学习，能够有效处理复杂和不纯净的数据集，特别是在存在多种视图和噪声的情况下。