动态融合的多视图投影聚类算法

多视图聚类是一个日益受到关注的研究热点。现有的大多数多视图聚类方法通常先对数据进行图学习，再对融合得到的统一图进行聚类得到最终结果，这种图学习和图聚类的两步策略可能导致聚类结果具有随机性。此外，多视图数据本身存在不可避免的噪声并且各视图数据差异较大，在原始高维数据空间进行无效融合可能造成重要信息的损失，不同多视图数据也可能存在选择参数敏感的问题。为了解决上述问题，提出了一种动态融合的多视图投影聚类算法，将自适应降维图学习、无参数的自权重图融合和谱聚类整合在同一框架中，三个过程相互促进，联合优化投影矩阵、相似性矩阵、共识矩阵以及聚类标签。对动态融合过程中得到的共识矩阵的拉普拉斯矩阵施加秩约束，直接获得聚类结果。而且引入的启发式超参数会随着每次优化迭代自动调整。为了求解联合优化问题，设计了一种有效的交替迭代方法。在人工数据集和真实数据集上得到的实验结果表明该算法的优越性。