基于自适应低秩锚图学习的一步式多视图聚类

鉴于锚图方法在降低计算复杂度的同时能够捕捉结构信息的能力，基于锚图的多视图聚类（AGMC）方法在大规模聚类问题中引起了广泛关注。然而，现有的 AGMC 方法仍面临以下两个问题：1）它们将多样化的锚图直接嵌入共识锚图（CAG），从而忽略了这些锚图中包含的冗余信息和大量噪声，导致聚类有效性下降；2）它们因独立后处理以获取聚类指标而降低了有效性和效率。为克服上述问题，我们提出了一种新颖的基于自适应低秩锚图学习的一步式多视图聚类方法（OMCAL）。为构建高质量的 CAG，OMCAL 提供了一种基于核范数的自适应 CAG 学习模型，以应对信息冗余和噪声干扰。然后，为显著提升聚类有效性和效率，我们将类别指标获取与 CAG 学习纳入统一框架。在普通和大规模数据集上进行的大量研究表明，OMCAL 在聚类有效性和效率方面优于现有的最先进方法。