基于谱结构融合的多视图聚类

摘 要 多视图聚类需要将多个视图的数据信息进行融合表示，是一项重要且具有挑战的任务.至今仍存在2个难解的问题：1)如何将多视图信息有效融合，减少信息丢失；2)如何将图学习和谱聚类同时进行，避免2步策略带来次优化结果.由于数据本身存在噪声并且各视图数据差异较大，在数据空间进行融合可能会造成重要信息的损失；另外，考虑到不同视图的数据应具有相同的聚类结构.为此提出基于谱结构融合的多视图聚类模型，将各视图信息在谱嵌入阶段实施融合，一方面避免了噪声和各视图数据差异的影响，另一方面融合的部位和方式更自然，减少了融合阶段信息的丢失.另外，该模型利用子空间自表示进行图学习，有效地将图学习和谱聚类整合到统一框架中进行联合优化学习.在5个真实数据集上的实验表明了模型的有效性和优越性.

关键词 多视图聚类；谱嵌入结构；信息融合；子空间自表示；联合优化

聚类算法作为模式识别、计算机视觉和机器学习最关键的技术之一，旨在发现数据内部潜在的分区结构.经过多年研究许多高效的聚类算法已经被提出，如层次聚类的方法、k-means的方法、矩阵分解的方法、谱方法等，然而这些算法都是针对单视图数据的.随着各种采集技术的发展，具有异构表示的多视图数据在学术界和工业界大受欢迎[1].例如，图像可以通过不同描述符来提取特征，如傅里叶形状描述(Fourier shape description, FSD)、RGB值、尺度不变特征变换(scale-invariant feature transform, SIFT)、梯度方向直方图(histogram of oriented gradient, HOG)等[2-3]；文学作品被翻译成各国语言进行出版；一则新闻被不同媒体或通过不同