局部性关系约束的多视图聚类框架
计算机视觉与模式识别
2021-07-13 v1 人工智能
摘要
在大多数实际应用中，利用来自不同视图的多个特征来表示一个对象是很常见的。在这些工作中，基于多视图子空间的聚类已获得许多研究者的广泛关注，旨在为多视图数据提供聚类方案。然而，现有多数方法未能充分利用多视图场景下样本间的局部几何结构与相似性关系。为解决这些问题，我们提出一种带有局部性关系约束的新颖多视图学习方法以探究多视图聚类问题，称为局部性关系约束多视图聚类框架（LRC-MCF）。LRC-MCF 旨在通过捕获多视图间的局部性关系信息以及公共相似性关系，来探索不同视图间的多样性、几何、共识与互补信息。此外，LRC-MCF 充分考虑了不同视图在寻找公共视图局部结构时的权重，并直接生成最终簇。为有效降低所学表示的冗余，额外考虑了公共相似性矩阵上的低秩约束。为求解 LRC-MCF 的最小化问题，提供了一种交替方向最小化（ADM）方法以迭代计算 LRC-MCF 的所有变量。在七个基准多视图数据集上的大量实验结果验证了 LRC-MCF 方法的有效性。
引用
@article{arxiv.2107.05073,
title = {Locality Relationship Constrained Multi-view Clustering Framework},
author = {Xiangzhu Meng and Wei Wei and Wenzhe Liu},
journal= {arXiv preprint arXiv:2107.05073},
year = {2021}
}