计算机工程

作者：王丽娟, 李雪燕, 尹明, 郝志峰, 蔡瑞初, 陈薇, 刘睿

单位：1. 广东工业大学计算机学院, 广东 广州 5100062. 华南师范大学电子科学与工程学院, 广东 佛山 5280003. 汕头大学, 广东 汕头 5150634. 广东工业大学国际教育学院, 广东 广州 510006

关键词：多视图聚类,多任务学习,共识表示,图学习,协同聚类

基金：国家自然科学基金(62206064); 国家自然科学基金(62376101); 新一代人工智能国家科技重大专项(2021ZD0111501)

多视图聚类重点挖掘不同视图间的一致性信息, 以提升多视图聚类性能。大多数现有的多视图聚类算法主要针对单任务多视图聚类, 忽略了相关任务的相似性, 使得多任务多视图聚类性能较差。而多任务聚类能够有效处理多个任务的相关性, 实际中普遍存在的聚类问题是多任务多视图数据聚类。为了更好地探究相关任务的关联性, 同时从每个任务的多视图数据中获得更有效的一致性信息, 提出一种基于共识图学习的多任务多视图聚类算法。该算法建立特定于视图的共享特征库, 存储并迁移所有任务和所有视图共享的潜在信息, 即每个任务在公共视图下共享的特征嵌入信息。当处理新任务时, 一方面新任务的每个视图先通过同时优化相似图结构与对应的样本嵌入, 以获得更准确的样本嵌入表示, 另一方面引入协同聚类, 实现共享特征库与新任务样本嵌入的知识迁移。这种方式利用特征嵌入的多样性信息来促进新任务各视图的一致性表达, 同时根据新任务的样本信息更新共享特征库。在获得最优的样本嵌入表示后, 将所有视图融合在一起, 学习新任务的一个共识图。随后, 采用交替方向策略优化模型, 最终从共识图的拉普拉斯矩阵中引入秩约束以直接获得聚类结果。实验结果表明, 与现有的6种先进算法相比, 该算法在5个多任务多视图数据集上表现出更高的聚类性能和效率。

来源：2026年第5期

《计算机工程》期刊编辑部

查看计算机工程杂志2026年第5期