基于矩阵分解多样性和一致性学习的多视图聚类

为充分考虑标签空间中多样性的影响,提出了一种新的多视图聚类方法。在标签空间中,首先将公共标签矩阵松弛为一致性部分和多样性部分,然后将其集成到基于多视图k-means矩阵分解的模型中;在数据空间中使用自权重策略对每个视图进行加权。为避免原始高维特征空间包含冗余信息和噪音造成维度灾难问题,将原始数据投影到低维空间进行降维;为保证算法的收敛性,使用基于交替方向最小化的增广拉格朗日乘子法(augmented Lagrangian multiplier with alternating direction minimization,ALM-ADM)来解决优化问题。在6个公开的真实数据集上进行实验,结果证明了所提出方法的有效性。