基于伪标签增强的多视角模糊聚类

针对大部分基于表示学习的多视角聚类算法分裂了表示学习和聚类任务,导致学习的共性表示对聚类任务缺乏针对性的问题,因此提出了一种新的基于伪标签增强的多视角模糊聚类算法。首先,利用多视角非负矩阵分解提取各个视角间的共性表示,并将其融入聚类过程,使学习的共性表示对聚类更具有针对性。其次,引入伪标签学习以提高表示学习的质量。最后,将伪标签增强的表示学习和模糊聚类划分矩阵学习整合在同一个联合学习框架下,实现相互促进。实验表明,所提出的方法的聚类性能优于现有的多种多视角聚类算法。