融合加权不一致性的多视图聚类

摘要

图学习是一种广泛应用于多视图聚类的技术，它可以从多视图中学习出统一的相似图.现有的图学习方法大多只能发掘多视图的一致性，忽视了不一致的信息，这使得它们可能在学习过程中丢失视图独有的信息.为了解决这个问题，本文提出了一种融合一致性和不一致性，面向图的多视图低秩聚类框架.该方法首先将多视图分解为一致性和不一致性两个部分，然后利用自适应加权融合多视图的一致性图，并在此过程中防止权重出现平凡解；进而，提出了一种新颖的低秩融合策略，用一个统一的目标函数融合多视图一致性和不一致性，并通过谱聚类获得结果.本文还设计并实现了一种迭代优化方法来求解目标函数.最后，7个多视图数据集的对比实验验证了该方法的有效性.

关键词

多视图聚类 / 融合多视图一致性和不一致性 / 多视图不一致性 / 低秩表示