V3H：面向不完全多视图聚类的视图变异与视图遗传方法

真实数据常以多个不完全视图的形式出现。不完全多视图聚类是整合这些不完全视图的有效方法。先前方法仅学习不同视图间的一致信息而忽略各视图的独特信息，限制了其聚类性能与泛化能力。为克服该局限，我们提出一种新颖的视图变异与视图遗传方法（V3H）。受遗传学中的变异与遗传启发，V3H 首先将每个子空间分解为对应视图的变异矩阵与所有视图的遗传矩阵，分别表征独特信息与一致信息。然后，通过基于聚类指示矩阵对齐不同视图，V3H 整合来自不同视图的独特信息以提升聚类性能。最后，借助基于遗传矩阵的可调低秩表示，V3H 恢复底层真实数据结构以降低大不完全性的影响。更重要的是，V3H 可能首次将遗传学引入聚类算法，以同时从不完全多视图数据中学习一致信息与独特信息。在十五个基准数据集上的大量实验结果验证了其相对于其他最先进方法的优越性。