基于半非负张量分解的多视图聚类
机器学习
2023-03-30 v1
摘要
基于非负矩阵分解（NMF）及其变体的多视图聚类（MVC）近年来因其在聚类可解释性方面的优势而受到大量关注。然而，现有的基于 NMF 的多视图聚类方法分别对每一视图数据执行 NMF，忽略了视图间的影响。因此，它们不能很好地利用视图内空间结构与视图间互补信息。为解决此问题，我们提出半非负张量分解（Semi-NTF），并开发了一种基于带单侧正交约束的 Semi-NTF 的新型多视图聚类方法。我们的模型直接在由各视图锚图构成的 3 阶张量上执行 Semi-NTF，从而直接考虑视图间关系。此外，我们使用张量 Schatten p-范数正则化作为 3 阶张量的秩近似，以刻画多视图数据的聚类结构并挖掘视图间互补信息。另外，我们给出了所提方法的优化算法，并从数学上证明该算法总是收敛到平稳 KKT 点。在多个基准数据集上的大量实验表明，我们所提方法能够取得令人满意的聚类性能。
引用
@article{arxiv.2303.16748,
title = {Multi-View Clustering via Semi-non-negative Tensor Factorization},
author = {Jing Li and Quanxue Gao and Qianqian Wang and Wei Xia and Xinbo Gao},
journal= {arXiv preprint arXiv:2303.16748},
year = {2023}
}