自适应近邻的多视图聚类

多视图聚类

  对最近看的论文的一个总结。

Multi-View Clustering and Semi-Supervised Classification with Adaptive Neighbours(MLAN)

  聂飞平将单一视图的CAN推广到多视聚类,即MLAN

  单视CAN聚类的目标函数为:
自适应近邻的多视图聚类
推广到多视聚类MLAN:
自适应近邻的多视图聚类
其中wvw_v是每个视图的权重,这里的权重是自动分配,不需要添加参数。 我在这里理解wvw_v参数的含义是将距离的平方开根号,减少离群点的重要性,不知道我理解的正确不正确。
自适应近邻的多视图聚类
算法如下所示:
自适应近邻的多视图聚类
MLAN方法我们可以看出,它将多视数据融合只是从数据点的角度将每个视角的数据融合,求出一个统一的相似度图。没有对每个视图的相似度图进行入手,基于此又有两种方法提出。


Graph Learning for Multiview Clustering(MVGL)
此篇文章是兰州大学绽琨教授提出的,它的思路很简单,分为两个步骤。 首先我们对每个视图运用自适应近邻聚类(CAN),得出每个视图的相似矩阵SvS^v。然后从多个视图的相似度图中学习到一个统一的相似度图AA,对它进行一个拉普拉斯秩约束。

  1. SvS^v的构建
    自适应近邻的多视图聚类
  2. 统一相似度AA
    自适应近邻的多视图聚类
    优化的算法可以在论文中查到,通过交替优化策略求得。

MVGL算法从每个视图的角度出发,解决了多视算法的融合,但是它的算法要分为两个步骤,不是联合在一起学习的。
又针对于此,王浩在这篇论文中GMC: Graph-based Multi-view Clustering提出了一个新的联合多视学习算法。


GMC: Graph-based Multi-view Clustering
目标函数为:
自适应近邻的多视图聚类
自适应近邻的多视图聚类
用此图可以经典的概括GMC的目标函数,从每个视图SvS^v学习到一个同的相似度图UU,然后添加拉普拉斯秩约数得出最后的聚类结果,其中对于每个视图的权重ww可以自动地实现视图地权重分配。通过交替优化策略地方法求解此目标函数。

这是关于多视聚类这几篇论文的一个论文总结吧,相关的公式和论文代码作者提供的都很清楚,大家可以看看论文一起交流。