全局与局部结构学习的多视图子空间聚类算法

摘要：

约束双线性分解的多视图子空间聚类算法(CBF-MSC)忽略了视图局部结构信息,导致信息损失,进而影响多视图聚类效果.针对上述问题,提出了全局与局部结构学习的多视图子空间聚类算法(CBF-LGLS).该算法首先考虑了视图的一致性与互补性,认为不同视图的系数矩阵应该具有相同的聚类属性,而不是在多个视图之间是一致的,从而充分探索挖掘视图底层数据分布和聚类属性.该算法还全面考虑了视图的局部结构信息,有效捕获单个视图的内在差异,减少了信息损失.此外,该算法采用了自适应加权的方法,减少了噪声与冗余对聚类效果的影响.对于每个视图预定义相似度矩阵的传统模式,采用了自适应距离正则化方法,达到充分考虑单个视图的几何结构与视图之间相同的簇结构的目的,进而提高聚类效果.算法在广泛使用的数据集上进行实验,并与主流算法进行比较,结果表明,提出的算法具有良好的聚类效果和收敛性.

关键词：多视图、聚类、局部结构信息、一致性

所属期刊栏目：17

分类号：TP181(自动化基础理论)

在线出版日期：2023-09-18（万方平台首次上网日期，不代表论文的发表时间）

页数：共11页

页码：2107-2117