计算机工程

作者：王丽娟, 邢津萍, 尹明, 郝志峰, 蔡瑞初, 温雯

单位：1. 广东工业大学计算机学院, 广东 广州 5100062. 广东工业大学自动化学院, 广东 广州 5100063. 汕头大学, 广东 汕头 515063

关键词：多视角聚类,一致性学习,权重自适应,协同聚类,谱聚类

基金：国家自然科学基金(61876042); 国家自然科学基金(61876043); 国家自然科学基金(61976052)

随着移动设备和互联网的普及，多视角数据的采集和分享变得更加容易，其可以从多个视角更准确地描述数据。目前，一些多视角聚类算法忽略了不同视角间的一致性潜在知识和不同视角的重要性。针对该问题，提出一种平衡视角间一致性信息的多视角聚类算法。首先通过调节视角权重学习视角间一致的共享相似度矩阵，提升共享矩阵的一致性，其中相关性强的视角具有的一致性信息更多，视角权重越大，在一致性学习中发挥的作用越大，而差异性大的视角其权重越小，在学习中发挥的作用越小。其次学习视角间的一致性样本嵌入以及不同视角的特征嵌入，并将特征嵌入中包含的多样性特征信息迁移到样本嵌入中，以此促进样本嵌入的一致性表达。在不同视角特征中包含多样性信息，可补充上述共享相似度矩阵学习中单一样本关系的不足。因此，采用二部图协同聚类，通过建立样本数据、样本嵌入和特征嵌入的关系图，学习样本的特征嵌入，并将其迁移到样本嵌入中。最后将图学习、谱聚类和特征嵌入学习整合到统一的框架中进行联合优化，得到最优的样本嵌入。实验结果表明，通过对样本嵌入进行K-means聚类，将该算法运行于5个真实数据集并与7种聚类算法对比，其中在3-Sources、Yale、MRSCV1数据集上的正确率均高于对比算法5%以上，验证了该算法的有效性。

来源：2024年第2期

《计算机工程》期刊编辑部

查看计算机工程杂志2024年第2期