基于张量化的噪声感知锚图学习方法，结合深度互补信息传播技术，实现可扩展的多视图聚类

《IEEE Transactions on Multimedia》：Tensorized Noise-aware Anchor Graph Learning with Deep Complementary Information Propagation for Scalable Multi-view Clustering

　　

摘要：

鉴于多视图数据固有的一致性和多样性，进行多视图数据聚类需要利用互补信息和跨视图一致性。然而，现有的基于锚图的方法在处理大规模多视图数据时存在三个关键限制：无法充分利用互补信息、对跨视图一致性的探索不足以及容易受到噪声的影响。为了解决这些问题，我们提出了一种新的模型——具有深度互补信息传播的张量化噪声感知锚图学习（Tensorized Noise-aware Anchor Graph Learning，简称TNAGL），用于可扩展的多视图聚类。具体来说，TNAGL引入了一个类似自动编码器的深度张量分解框架，用于生成低秩锚图张量，该张量旨在整合特定于视图的信息，从而使模型能够在抑制噪声的同时提取深度互补信息和跨视图一致性。该框架将输入的锚图张量分层编码为潜在张量，然后通过使用张量l2,1范数来减轻噪声。在编码和解码过程中，通过张量t积（即两个给定张量的前面切片之间的循环乘法）分层探索、融合和传播互补信息，以捕捉视图间的依赖关系。最后，通过张量Schatten-p范数对去噪后的锚图张量进行正则化，以促进低秩结构，从而保持高阶的跨视图一致性。在包括一个受噪声污染的数据集在内的真实世界数据集上的实验一致证明了TNAGL的优越性。