一致性引导的自适应加权多视图聚类

摘 要 随着获取多模态或多视图数据的日益容易，多视图聚类研究受到广泛关注.然而，很多方法直接从原始数据中学习邻接矩阵，忽视了数据中噪声的影响.此外，还有一些方法将各个视图同等对待，而实际上各视图在聚类过程中所发挥的作用是不同的.为解决上述问题，提出了一种基于Markov链的聚类算法，名为一致性引导的自适应加权多视图聚类(consensus guided auto-weighted multi-view clustering, CAMC).首先为每个视图构造转移概率矩阵；然后，以自适应加权的方式获得一致性转移概率矩阵，并对一致性转移概率矩阵的拉普拉斯矩阵进行了秩约束，确保拉普拉斯图中连通分量的数目正好等于簇的数目.此外，基于交替方向乘子法(alternating direction method of multipliers, ADMM)优化策略对问题进行求解.在1个人造数据集和7个真实数据集上的实验结果证明了该算法的有效性，其聚类性能优于现有的8种基准算法.

关键词 多视图；聚类；自适应加权；谱聚类；Markov链

聚类是数据挖掘中的一项重要任务，将相似的点划分到同一簇中，相异点划分到不同簇中.聚类在信息检索[1]、医疗诊断[2]、社交网络分析[3]、图像分割[4]等领域都发挥着重要作用.传统的单视图聚类算法已遇到瓶颈，在过去的几年中，多视图聚类成为前沿研究.

多视图聚类利用多视图数据中的信息来进行聚类.多视图数据从多个角度来描述同一事物，随着技术的进步，近年来这类数据日益增多.例如，可以同时使用多个设备对同一事物进行拍摄，得到的多个图像属于多视图数据.再者，同一张图像可以使用不同的特征来表示，多种特征形成的数据即为多视图数据.通过使用多视图数据&#x