基于局部约束线性编码的多视角聚类方法

由于多视角数据能够提供更多有用信息来提高聚类效果,多视角聚类得到了广泛的研究.基于子空间的多视角聚类方法是流行的研究方法,主要是从多视角数据中学习一个统一表示,用于聚类.现有的基于子空间的多视角学习方法具有不错的聚类效果,但往往忽略了样本之间的局部结构信息.因此,提出了一种新的多视角学习方法,该方法采用局部约束线性编码来获取样本之间的局部结构,提高所学到的表示的质量.同时,利用多视角数据的数据特性,每个视角的表示由视角共享部分和视角独有部分组成,更充分挖掘数据所存在的有效信息.另外,采用图正则约束来保持数据的内在流形结构,提高所学到表示的质量.最后,在真实数据集上的实验结果表明,所提出的方法优于现有的多视角聚类方法.