双重对齐的不完整多视图聚类

如今，多视图聚类已吸引越来越多关注。迄今，几乎所有先前研究都假设视图是完整的。然而现实中，往往每个视图都可能包含若干缺失样本。这种不完整性使传统多视图聚类方法无法直接应用。本文提出一种基于加权半非负矩阵分解（semi-NMF）的双重对齐不完整多视图聚类算法（DAIMC）。具体而言，一方面，DAIMC 利用给定的样本对齐信息为所有视图学习一个公共潜在特征矩阵；另一方面，DAIMC 借助 $L_{2,1}$-范数正则化回归建立共识基矩阵，以降低缺失样本的影响。因此，与现有方法相比，除继承 semi-NMF 可处理负元素的优势外，DAIMC 具有两个独特优点：1) 通过为每个视图引入各自权重矩阵解决不完整视图问题，使其能轻松适应多于两个视图的情形；2) 借助回归强制各视图基矩阵对齐，从而降低视图不完整性对聚类的影响。在四个真实数据集上的实验证明了其优势。