一统全局：一种面向大规模多视图聚类的新型双空间协同训练基线
机器学习
2024-01-30 v1
摘要
在本文中，我们提出了一种新颖的多视图聚类模型，名为双空间协同训练大规模多视图聚类（DSCMC）。我们方法的主要目标是通过在两个不同空间中利用协同训练来增强聚类性能。在原始空间中，我们学习一个投影矩阵，以从不同视图获取潜在的一致锚点图。此过程涉及捕获每个视图内数据点之间的内在关系和结构。同时，我们采用特征变换矩阵将来自不同视图的样本映射到一个共享的潜在空间。这种变换促进了多视图信息的对齐，从而能够全面理解底层数据分布。我们联合优化潜在一致锚点图的构建和特征变换，以生成判别性锚点图。该锚点图有效地捕获了多视图数据的基本特征，并作为后续聚类分析的可靠基础。此外，提出了逐元素方法以避免不同视图之间多样信息的影响。我们的算法具有近似线性的计算复杂度，这保证了其在大规模数据集上的成功应用。通过实验验证，我们证明与现有方法相比，我们的方法显著降低了计算复杂度，同时产生了更优的聚类性能。
引用
@article{arxiv.2401.15691,
title = {One for all: A novel Dual-space Co-training baseline for Large-scale Multi-View Clustering},
author = {Zisen Kong and Zhiqiang Fu and Dongxia Chang and Yiming Wang and Yao Zhao},
journal= {arXiv preprint arXiv:2401.15691},
year = {2024}
}