基于双端联合学习的多视图聚类

作     者：杜亮 李晓东 陈艳 周芃 钱宇华 

作者机构：山西大学计算机与信息技术学院 太原理工大学计算机科学与技术学院 安徽大学计算机科学与技术学院 山西大学大数据科学与产业研究院 

出 版 物：《计算机研究与发展》 (Journal of Computer Research and Development)

年 卷 期：2025年

核心收录：

学科分类：12[管理学] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 

基　　金：国家自然科学基金项目(62376146,62176001) 山西省中央引导地方科技发展专项项目(YDZJSX20231D003) 安徽省高校优秀青年科学项目(2023AH030004) 山西省重点研发计划项目(202202020101004) 山西省自然科学基金项目(20210302123455) 

主　　题：多视图聚类 锚点端 样本端 对齐 集成 

摘      要：多锚点图作为解决大规模多视图聚类问题的关键方法受到了广泛关注.然而，现有的多锚点图聚类方法在应对这一挑战时都面临多个问题.其中，一致性锚点图学习方法难以处理锚点图不对齐问题，并且过度依赖一致性图，限制了其聚类结果的准确性和可靠性；锚点图集成聚类方法则是在基聚类器的生成与融合过程中割裂了不同锚点图之间的联系，影响了其聚类效果的有效性和稳定性.为解决这些问题，提出了一种基于双端联合学习的新型多视图聚类方法.该方法充分考虑了多锚点图信息和锚点端聚类对样本端聚类的联合作用，实现了锚点端聚类和样本端聚类同步进行，并通过对多锚点图信息的综合实现了样本端聚类与多个锚点端聚类的集成对齐.与现有方法不同，该方法无需直接学习一致性锚点图，可以处理任意类型的锚点不对齐问题，并且规避了图学习与图划分分步处理对聚类性能的不利影响.此外，其在一个完整的优化框架中同时利用多个锚点图进行锚点端聚类和样本端聚类，有效解决了基聚类器生成阶段无法利用除自身外的其他锚点图和集成阶段无法充分利用所有锚点图的问题.实验结果表明，所提出的方法在聚类性能和时间消耗方面均优于多个对比方法，有效增强了多视图数据的聚类性能.所提出方法以及所采用对比方法的相关代码附在：http://***/lxd1204/DLMC.