修正高斯核多视图 k-means 聚类

在本文中，我们提出了两种多视图 k-means (MVKM) 算法的新变体来处理多视图数据。其基本思想是以不同于基于质心方法的方式来刻画第 $h$ 个视图数据点 $x_i^h$ 与第 $h$ 个视图聚类中心 $a_k^h$ 之间的距离。与其他方法不同，我们提出的方法通过在 Gaussian-kernel 空间中计算 Euclidean 范数相似度来学习多视图数据，即具有指数距离的多视图 k-means (MVKM-ED)。通过同时调整稳定参数 $p$ 和核系数 $\beta^h$，Gaussian-kernel 加权距离在 Euclidean 范数下的压缩降低了 MVKM-ED 的敏感性。为此，本文将其称为 Gaussian-kernel 多视图 k-means (GKMVKM) 聚类算法。对五个真实世界多视图数据的数值评估证明了我们提出的 MVKM-ED 和 GKMVKM 方法的鲁棒性和有效性。