张量学习诱导的多视图谱聚类

现有的方法将通过张量奇异值分解(t-SVD)正则化的低秩表示应用到多视图子空间聚类中,取得了令人印象深刻的聚类性能.然而,它们都具有以下两个共同的缺点:(1)他们专注于探索样本之间的关系以构建表征,然后将其堆叠为张量,其计算复杂度至少为O(n2logn);(2)他们总是直接在整合的表征上运行标准的谱聚类算法,而忽略了不同表征对最终聚类结果的先验知识.为了解决这些问题,本文提出了一种新颖的张量学习诱导的多视图谱聚类(TLIMSC)方法,其中同时探索了空间聚类结构和互补信息.具体来说,该方法将关联样本和簇关系的多视图谱嵌入表示堆叠成张量,计算复杂度最终变为O(n logn).然后,将学习到的带有不同自适应置信度的表征与最终的一致聚类结果联系起来.在五个数据集上的广泛实验证明了TLIMSC所具有的有效性和高效性.