基于集成的快速多视图聚类：迈向可扩展性、优越性与简单性
机器学习
2023-01-25 v4 机器学习
摘要
尽管取得了显著进展，先前的多视图聚类算法仍存在三个局限性。首先，它们通常具有较高的计算复杂度，限制了其在大型数据集上的可行性。其次，它们通常通过单阶段融合来融合多视图信息，忽略了多阶段融合的可能性。第三，经常需要针对特定数据集进行超参数调整，进一步削弱了其实用性。有鉴于此，我们提出了一种基于集成的快速多视图聚类方法 (FastMICE)。具体而言，提出了随机视图组的概念以捕获多功能的视图间关系，通过该概念设计了混合的早期-晚期融合策略以实现高效的多阶段融合。随着多个视图扩展为多个视图组，在早期阶段融合中联合利用了三个层次的多样性（分别关于特征、锚点和邻居），以构建视图共享二部图。然后，通过快速图划分获得了不同视图组的多样化基聚类集合，并在晚期阶段融合中将其进一步表述为用于最终聚类的统一二部图。值得注意的是，FastMICE 具有近线性的时间和空间复杂度，并且无需针对特定数据集进行调整。在 22 个多视图数据集上的实验证明了其在可扩展性（针对超大型数据集）、优越性（在聚类性能方面）和简单性（应用方面）上优于 SOTA。代码可用：https://github.com/huangdonghere/FastMICE。
引用
@article{arxiv.2203.11572,
title = {Fast Multi-view Clustering via Ensembles: Towards Scalability, Superiority, and Simplicity},
author = {Dong Huang and Chang-Dong Wang and Jian-Huang Lai},
journal= {arXiv preprint arXiv:2203.11572},
year = {2023}
}
备注
To appear in IEEE Transactions on Knowledge and Data Engineering