无参数熵正则化多视图聚类：基于分层特征选择

多视图聚类面临在异构数据上自动发现模式、管理高维特征并消除无关信息方面的关键挑战。传统方法依赖手动参数调优，且缺乏原则化的跨视图集成机制。本工作引入两个互补算法：AMVFCM-U 与 AAMVFCM-U，提供统一的参数自由框架。我们的做法以熵正则化项取代模糊化参数，以强制跨视图自适应共识。核心创新采用基于信噪比的正则化（$\delta_j^h = \frac{\bar{x}_j^h}{(�sigma_j^h)^2}$）实现特征加权，配合双层熵项自动平衡视图与特征贡献。AAMVFCM-U 进一步集成在特征和视图层面的分层降维，通过自适应阈值（$\theta^{h^{(t)}} = \frac{d_h^{(t)}}{n}$）实现。跨五大基准的评估表明，其优于 15 种最先进方法。AAMVFCM-U 实现最高 97% 的计算效率提升，将维度降至原始规模的 0.45%，并自动识别关键视图组合，以实现最优模式发现。