多视角子空间聚类的细粒度图学习
摘要：多视图子空间聚类是一种流行的无监督方法，通过整合异构信息来揭示隐藏在视图之间的固有聚类结构。通常，多视图子空间聚类方法使用图（或相似性矩阵）融合来学习一个公共结构，并进一步应用基于图的方法进行聚类。尽管取得了一些进展，但大多数方法没有建立图学习和聚类之间的关联。同时，传统的图融合策略将粗粒度的权重分配给组合多图，忽视了局部结构的重要性。在本文中，我们提出了一种用于多视图子空间聚类的细粒度图学习框架（FGL-MSC）来解决这些问题。为了充分利用多视图信息，我们设计了一种特定的图学习方法，引入了图正则化和局部结构融合模式。主要挑战是如何在生成适合聚类任务的学习图的同时优化细粒度融合权重，从而使聚类表示具有意义和竞争力。因此，提出了一种迭代算法来解决上述联合优化问题，同时获得学习图、聚类表示和融合权重。在八个真实数据集上进行的大量实验证明，所提出的框架与最先进的方法具有可比性。所提出方法的源代码可在https://github.com/siriuslay/FGL-MSC获取。
作者：Yidi Wang, Xiaobing Pei, Haoxi Zhan
论文ID：2201.04604
分类：Machine Learning
分类简称：cs.LG
提交时间：2023-08-15