一种用于多视图聚类的联合稀疏自表示学习方法
计算机视觉与模式识别
2025-08-12 v1 数据结构与算法
摘要
多视图聚类 (MC) 旨在利用跨不同视图的一致性和互补性信息对样本进行分组。子空间聚类作为 MC 的一项基本技术，已引起了广泛关注。在本文中，我们为 MC 提出了一种新颖的联合稀疏自表示学习模型，其特色在于通过引入基数（即 -范数）约束而非图-拉普拉斯正则化来提取视图特定的局部信息。具体而言，在每个视图下，基数约束直接限制自表示阶段使用的样本，以提取可靠的局部和全局结构信息，而低秩约束则有助于在合并过程中揭示共识亲和矩阵中的全局相干结构。随之而来的挑战是，基于增广拉格朗日方法 (ALM) 的交替极小化算法在直接应用于我们的非凸、非光滑模型时无法保证收敛，从而导致泛化能力差。为解决此问题，我们开发了一种具有全局收敛性的交替二次惩罚 (AQP) 方法，其中两个子问题通过闭式解迭代求解。在六个标准数据集上的实证结果证明了我们的模型和 AQP 方法相较于八种最先进算法的优越性。
引用
@article{arxiv.2508.06857,
title = {A Joint Sparse Self-Representation Learning Method for Multiview Clustering},
author = {Mengxue Jia and Zhihua Allen-Zhao and You Zhao and Sanyang Liu},
journal= {arXiv preprint arXiv:2508.06857},
year = {2025}
}