摘要: 摘 要: 在多视图聚类问题中,如何充分挖掘各视图间的关联信息,同时降低冗余信息对聚类效果的影响是当前亟需解决的问题。现有方法存在一些局限性,有的忽略各视图间的互补性信息,有的忽视各视图间的差异性,有的则没有考虑冗余信息带来的干扰,从而导致聚类效果不佳。针对这些局限性,提出了一种基于加权锚点的自适应多视图互补聚类算法(SMCWA)。在应对高维多视图数据的挑战时,首先将特征直连方法迁移至锚点机制,融合各锚图以利用视图间的互补性信息;其次,在迭代过程中,使用加权矩阵动态确定各锚点的权重,从而弱化冗余信息的表达。最后,使用自动权重机制,为各视图自适应地分配适当的权重,以利用视图间的差异性。将上述优化方案整合至同一框架中,使得视图互补性、冗余信息的弱化以及视图差异性在多步迭代中相互促进、相互学习,进而提高聚类效果。实验证明,在BDGP(a RGB-D Scene Understanding benchmark suite)数据集上,SMCWA算法在马修斯相关系数评价指标(MCC)上较基于特征直连的谱聚类算法(SC-Concat)提升了42%;在CCV(Columbia Consumer Video)数据集上,SMCWA算法在MCC上较大规模线性时间多视图子空间聚类算法(LMVSC)提升了12%;在Caltech101-all数据集上,SMCWA算法在MCC上均谱聚类算法(SC-Best)在各视图中的最佳结果提升了20%,表明该算法可充分利用互补性信息、视图差异和冗余信息以提高聚类效果。
中图分类号: