Exploring Consistency for Data Clustering by Multi-View Multi-Order Graph Decomposition

Xu, Pengxin

doi:10.1109/lsp.2026.3700547

Exploring Consistency for Data Clustering by Multi-View Multi-Order Graph Decomposition

2026-01-01

0

PRE

AI

DOI：10.1109/lsp.2026.3700547

原文链接

原文求助

摘要

En 中文

基于图的多视图聚类旨在利用多个信息源（视图）的一致性和互补性来提升聚类性能。多阶图的引入通过缓解一阶图的稀疏性问题带来了显著的性能提升。然而，不同的视图及其衍生的高阶图不可避免地包含噪声和视图特定信息（即多样性），这可能阻碍共识图的学习。为解决这一关键问题并保留多阶结构的优势，本文提出了一种新颖的框架，称为基于一致性驱动的分解的多视图多阶图聚类（CDMMGC）。在CDMMGC中，多阶图被用来缓解一阶图的稀疏性问题，并且每个视图的每个多阶图被分解为一致性和多样性两个分量。相应地，共识图在多视图多阶图的一致性分量上进行学习，这有望更准确地捕捉数据语义。在广泛的数据集上的实验表明，所提出的CDMMGC模型在数据聚类方面相比最先进的方法具有有效性和优越性。

Keyword:

Modeling

Learning (artificial intelligence)

Optimization

Multi-view clustering

high-order graph

graph consistency

graph diversity

consensus graph learning

Exploring Consistency for Data Clustering by Multi-View Multi-Order Graph Decomposition

摘要

期刊

机构

引用论文