单遍不完全多视图聚类

真实数据常具多个模态或来自多个异构源，从而形成所谓多视图数据，在机器学习中受到越来越多关注。多视图聚类(MVC)成为其重要范式。在真实应用中，某些视图常出现样本缺失。对此类多视图数据集的聚类称为不完全多视图聚类(IMC)，且颇具挑战。迄今虽已提出诸多方法，但大多为离线式，对大规模数据集计算与内存开销高。为解决该问题，本文提出单遍不完全多视图聚类框架(OPIMC)。借助正则化矩阵分解与加权矩阵分解，OPIMC 可较易处理此类问题。与现有唯一在线 IMC 方法不同，OPIMC 通过引入两个全局统计量可直接获得聚类结果并有效判定迭代终止。最后，在四个真实数据集上的大量实验证明了所提 OPIMC 方法的效率与有效性。