自适应相似图联合优化的多视图聚类.pdfVIP

第47卷第2期计算机学报Vol.47No.2

2024年2月CHINESEJOURNALOFCOMPUTERSFeb.2024

自适应相似图联合优化的多视图聚类

1），2）1）2）1）

纪霞施明远周芃姚晟

1）

（安徽大学计算机科学与技术学院合肥230601）

2）

（安徽大学国际脑科学工程研究中心合肥230601）

摘要相比于单一视图学习，多视图学习往往可以获得学习对象更全面的信息，因而在无监督学习领域，多视图

聚类受到了研究者的极大关注，其中基于图的多视图聚类，近年来取得了很大的研究进展.基于图的多视图聚类一

般是先从各个视图原始数据学习相似图，再进行视图间相似图的融合来获得最终聚类结果，因此，多视图聚类的效

果是由相似图质量和相似图融合方法共同决定的.然而，现有基于图的多视图聚类方法几乎都聚焦在视图间相似

图的融合方法研究上，而缺乏对相似图本身质量的关注.这些方法大多数都是孤立地从各视图的原始数据中学习

相似图，并且在后续图融合过程中保持相似图不变.这样得到的相似图不可避免地包含噪声和冗余信息，进而影响

后续的图融合和聚类.而少量考虑相似图质量的研究，要么相似图构造和图融合过程是直接联立迭代的，要么在预

定义相似图过程中提前利用秩约束进一步初始化，要么就是利用相似图存在的一些底层结构来获取融合图的.这

些方法对相似图本身改进很小，最终聚类性能提升也十分有限.同时现有基于图的多视图聚类流程也缺乏对各视

图间一致性和不一致性的综合考虑，这也会严重影响最终的多视图聚类性能.为了避免低质量预定义相似图对聚

类结果的不利影响以及综合考虑视图间一致性与不一致性来提升最终聚类效果，本文提出了一种自适应相似图联

合优化的多视图聚类方法.首先通过Hadamard积来获得视图间高质量一致性部分信息，再将每个预定义相似图和

这部分信息对标，重构各个视图的预设相似图.这个过程强化了各视图间的一致性部分，弱化了不一致性部分.其

次设计了相似图重构改进和图融合联合迭代优化框架，实现了相似图的自适应改进，最终达到相似图和聚类结果共

同提升的效果.该方法将相似图改进过程与图融合过程联合起来进行自适应迭代优化，并且在迭代优化中不断强

化各视图间的一致性，弱化视图间的不一致性.此外，本文的方法也集成了现有多视图聚类方法的一些优点，自加

权以及无需额外聚类步骤等.在九个基准数据集上与八个对比方法的实验验证了本文方法的有效性与优越性.

关键词多视图聚类；相似图；自适应优化；图融合；自加权

中图法分类号TP18DOI号10.11897/SP.J.1016.2024.00310

Multi-ViewClusteringBasedonAdaptiveSimilarityGraphJoint

Optimization

1),2)1)2)1)

JIXiaSHIMing-YuanZHOUPengYAOSheng