Low-rank kernel consistent multi-view subspace clustering

Wei Zhang

doi:10.1016/j.neucom.2025.130944

Low-rank kernel consistent multi-view subspace clustering

2025-07-07

0

PRE

AI

DOI：10.1016/j.neucom.2025.130944

原文链接

原文求助

摘要

En 中文

多视图子空间聚类旨在通过整合多源信息来提升数据分析能力。然而，现有方法往往难以同时利用不同视图间的一致性和互补性信息，且多数方法忽略了数据的非线性结构。本研究提出了一种新的低秩核一致多视图子空间聚类算法LRKCMS。具体而言，我们将系数矩阵分解为三个独立因子以保持不同视图间的秩一致性。同时，通过探索各视图的自表示系数矩阵来充分挖掘其互补信息。为抑制底层数据中的噪声和离群点影响，采用Schatten p-范数对低秩系数矩阵进行正则化。此外，为充分利用数据的内在非线性特性，引入核映射项自适应求解低秩核映射，确保在核特征空间中的数据具有低秩和自表示特性。我们在10个基准数据集上评估了LRKCMS的性能，并与12种最先进方法进行比较。结果表明，LRKCMS在聚类性能上优于这些先进的多视图聚类方法。源代码可从https://github.com/wzhangwhu/LRKCMS获取。

Keyword:

multi-view subspace clustering

low-rank consistency

complementary information

kernel mapping

nonlinear structure

Low-rank kernel consistent multi-view subspace clustering

摘要

期刊

机构

引用论文