鲁棒误差多视图聚类：进展、挑战与机遇

随着近期从多源数据采集的进展，多视图数据已受到显著关注。在多视图数据中，每个视图表示数据的一种不同视角。由于标签信息通常获取代价高昂，多视图聚类日益受到关注，其旨在利用所有视图间互补且一致的信息而非仅使用单个视图来获得更好的聚类解。由于不可避免的传感器故障，每个视图中的数据可能包含误差。误差常表现为噪声或特征特定损坏或离群值。多视图数据可能包含这些误差类型中的任意一种或组合。盲目地对多视图数据聚类（即不考虑视图中可能的误差）会显著退化性能。鲁棒误差多视图聚类的目标是在多视图数据被损坏时仍能获得有用结果。现有具有显式误差去除表述的鲁棒误差多视图聚类方法可归为五大研究类别——基于稀疏范数方法、基于图方法、基于子空间学习方法、基于深度学习方法以及混合方法，本综述总结并回顾了面向多视图数据的鲁棒误差聚类近期进展。最后，我们强调挑战并提供未来研究机遇。