Align Then Tensorize: Multi-Level Consistent Anchor Graph Learning for Scalable Multi-View Clustering

doi:10.1109/TIP.2026.3706294

Align Then Tensorize: Multi-Level Consistent Anchor Graph Learning for Scalable Multi-View Clustering

2026-06-29

0

PRE

AI

Xinwang Liu (Xinwang Liu)

DOI：10.1109/TIP.2026.3706294

原文链接

原文求助

摘要

En 中文

基于张量的多视图聚类已被广泛研究以捕捉多视图间的高阶相关性。然而，现有的张量方法仍存在若干局限性。首先，许多方法依赖全相似图，导致样本数量呈二次或三次方复杂度且可扩展性差。其次，视图特定的锚图常被直接张量化，而缺乏跨视图锚点对齐，产生结构不一致的张量表示并降低跨视图可比性。第三，低秩正则化通常通过张量核范数（TNN）施加，其均匀收缩奇异值可能偏倚内在张量秩的估计。为此，我们提出了一种新颖框架，名为“对齐后再张量化：可扩展多视图聚类中的多级一致锚图学习”（ATTMVC）。它采用基于锚点的图学习框架，每个视图由少量锚点重建，并引入样本级稀疏噪声，显著降低计算复杂度。与现有直接张量化未对齐视图锚图的方法不同，ATTMVC先将视图特定锚图对齐至共享隐空间，从而强制跨视图结构一致性并支持更可靠的跨视图高阶相关性建模。此外，我们在对齐锚图张量上引入阈值张量秩（TTR）代理，有效促进低秩结构同时缓解TNN正则化常导致的过度收缩效应。最终，大量实验表明ATTMVC优于当前最先进的多视图聚类方法。代码公开于https://github.com/tangchuan2000/ATTMVC。

Keyword:

Multi-view clustering

large-scale clustering

anchor clustering

anchor alignment

tensor rank regularization

tensor low-rank representation

Align Then Tensorize: Multi-Level Consistent Anchor Graph Learning for Scalable Multi-View Clustering

摘要

期刊

机构

引用论文