基于核诱导的不完整多视角聚类

随着技术的发展,数据往往具有来自不同源的多种形式,多视角聚类算法旨在利用不同源中的互补信息进行聚类。虽然目前多视角聚类算法已在各个领域取得较大发展和成功应用,但是多视角聚类算法仍然面临许多重要挑战,其中一个就是当多个视角的样本存在缺失时,如何充分挖掘数据信息以减少缺失样本带来的负面影响。针对此挑战,提出一种基于核诱导的不完整多视角聚类算法(KIMV)。该方法利用核方法和非负矩阵分解技术在核希尔伯特空间中对所有视角学习一个最优的共性矩阵,并通过视角自适应加权机制和图拉普拉斯正则化提高算法性能。在五个多视角数据集上的实验有效验证了KIMV的上述优势。