Efficient Self-Guided One-Pass Multi-View Subspace Clustering

Duan, Haoyu

doi:10.1002/cpe.70731

Efficient Self-Guided One-Pass Multi-View Subspace Clustering

2026-05-01

0

PRE

AI

DOI：10.1002/cpe.70731

原文链接

原文求助

摘要

En 中文

近年来，许多多视图子空间聚类方法被提出以提高聚类性能。但现有方法大多仍面临几个显著问题。首先，这些方法无法同时捕捉一致性和互补信息。其次，这些方法通过数据相似度矩阵将数据分组。因此，聚类结果严重依赖相似度矩阵。由于相似度估计和聚类通常分开进行，估计的相似度未必最适合聚类，可能降低聚类性能。为解决这些问题，我们提出了一种高效的自我引导单次多视图子空间聚类（ESOMSC）方法。具体而言，我们将视图共享锚点学习和全局引导-局部自我引导学习整合到统一框架中以提升聚类性能。该框架能够平衡多视图间的一致性和多样性。同时，对相似度矩阵的拉普拉斯矩阵施加秩约束，确保所得图中连通分量的数量与聚类数量精确匹配。因此，我们的方法可直接生成聚类标签，无需后处理步骤。此外，我们证明所提出的ESOMSC方法在样本数量上具有线性时间复杂度。在真实数据集上的广泛实验表明，与当前最先进的聚类方法相比，我们提出的方法在有效性和效率方面均表现出色。

Keyword:

multiple view clustering

self-guided learning

subspace clustering

Efficient Self-Guided One-Pass Multi-View Subspace Clustering

摘要

期刊

机构

引用论文