基于聚类性评估的多视图聚类潜在噪声视图分析
机器学习
2026-04-21 v1
摘要
在多视图聚类中，不同视图的质量可能有显著差异，低质量或退化视图会损害整体聚类性能。然而，现有研究主要通过视图加权或鲁棒优化在聚类过程中处理此问题，而对数据层面的预聚类评估关注有限。本文从聚类性角度研究多视图数据中的预聚类噪声视图分析问题。为此，我们提出一种多视图聚类评分 (MVCS)，通过三个互补组成部分量化多视图数据中潜在聚类相关结构的强度： per-view 结构聚类性、联合空间聚类性和跨视图邻域一致性。到目前为止，鲜有人为多视图数据专门设计聚类评分的。我们进一步使用它来进行潜在噪声视图分析和噪声视图检测。大量在真实数据集上的实验表明，噪声视图会显著降低聚类性能，而与现有为单视图数据设计的聚类性度量相比，所提方法更有效地支持噪声视图分析和检测。
引用
@article{arxiv.2604.18024,
title = {Clusterability-Based Assessment of Potentially Noisy Views for Multi-View Clustering},
author = {Mudi Jiang and Jiahui Zhou and Xinying Liu and Zengyou He and Zhikui Chen},
journal= {arXiv preprint arXiv:2604.18024},
year = {2026}
}