Late Fusion 多视图聚类的谈准误差界：基于特征值比例
机器学习
2024-12-25 v1 人工智能
摘要
多视图聚类（MVC）旨在整合多个视图的互补信息以提升聚类性能。晚期融合多视图聚类（LFMVC）通过综合多样化聚类结果实现统一共识，显示出前景。然而，现有LFMVC方法在处理噪声和冗余分区时困难，往往难以捕获跨视图的高阶关联。为此，我们提出了分析多个核k-means一般化误差界的新理论框架，基于局部Rademacher复杂度和主特征值比例。我们的分析建立了的收敛速率，显著优于现有的速率。基于此洞见，我们在多个线性k-means框架中提出低通图滤波策略以消除噪声和冗余，进一步细化主特征值比例，提升聚类准确性。基准数据集的实验结果表明，我们的方法在聚类性能和鲁棒性方面超越了当前最先进的方法。相关代码已公开于https://github.com/csliangdu/GMLKM。
引用
@article{arxiv.2412.18207,
title = {Sharper Error Bounds in Late Fusion Multi-view Clustering Using Eigenvalue Proportion},
author = {Liang Du and Henghui Jiang and Xiaodong Li and Yiqing Guo and Yan Chen and Feijiang Li and Peng Zhou and Yuhua Qian},
journal= {arXiv preprint arXiv:2412.18207},
year = {2024}
}