具有局部与全局结构保持的高效多视图图聚类
机器学习
2023-09-04 v1
摘要
基于锚点的多视图图聚类(AMVGC)因其高效性以及捕捉多视图间互补结构信息的能力而受到广泛关注。直观上,高质量的锚点图对 AMVGC 的成功起着至关重要的作用。然而,现有的 AMVGC 方法仅考虑单一结构信息,即局部或全局结构,这为学习任务提供的信息不足。具体而言,过度分散的全局结构导致学习到的锚点无法很好地刻画簇划分。相反,采用不恰当的相似度度量的局部结构会导致潜在的锚点分配不准确,最终造成次优的聚类性能。为解决该问题,我们提出了一种新颖的基于锚点的多视图图聚类框架,称为具有局部与全局结构保持的高效多视图图聚类(EMVGC-LG)。具体地,设计了一个具有理论保证的统一框架以捕捉局部与全局信息。此外,EMVGC-LG 联合优化锚点构建与图学习以提升聚类质量。另外,EMVGC-LG 继承了现有 AMVGC 方法关于样本数量的线性复杂度,具有时间经济性且随数据规模良好扩展。大量实验证明了我们所提方法的有效性与高效性。
引用
@article{arxiv.2309.00024,
title = {Efficient Multi-View Graph Clustering with Local and Global Structure Preservation},
author = {Yi Wen and Suyuan Liu and Xinhang Wan and Siwei Wang and Ke Liang and Xinwang Liu and Xihong Yang and Pei Zhang},
journal= {arXiv preprint arXiv:2309.00024},
year = {2023}
}
备注
arXiv admin note: text overlap with arXiv:2308.16541