可扩展多视图聚类通过显式核特征映射
内容提要
该文综述多视角子空间聚类研究，涵盖核化、深度框架、锚点及大规模高效方法，旨在解决非线性、两阶段框架和高计算复杂度问题，并提升聚类性能。
延伸解读
多视图聚类方法演进脉络
文章梳理了多视图子空间聚类从2013年到2023年的发展：早期方法依赖两阶段框架和线性子空间假设，2017年出现低秩稀疏约束和锚点技术，2019年深度子空间聚类网络引入自表示矩阵，2022年矩阵分解实现低复杂度，2023年则提出核化方法和深度框架E²LMVSC。这一脉络显示研究正从线性向非线性、从两阶段向端到端、从高复杂度向大规模高效方向演进。
核化与深度框架的互补性
文章提到核化方法通过显式核特征映射解决非线性子空间聚类问题，而深度框架如E²LMVSC则通过提取统一表示增强聚类性能。两者分别从特征映射和表示学习角度应对非线性与大规模挑战。读者可关注核化如何与深度模型结合，以及这种结合是否能在保持效率的同时提升对复杂数据结构的捕捉能力。
锚点策略与计算效率
针对大规模多视图数据的高计算复杂度，文章介绍了基于锚点的方法，如MVSC-HFD通过统一采样策略以线性时间代价降低复杂度，以及利用锚图学习每个视图的小图再进行谱聚类。这些方法的核心在于用少量锚点近似全图结构，从而在保持聚类效果的同时显著减少计算量，适合处理视图数量多或样本量大的场景。
Q&A
多视图子空间聚类面临哪些主要挑战？
现有方法常采用两阶段框架，并假设数据位于线性子空间，导致非线性数据聚类效果不佳，且计算复杂度高。
有哪些方法可以解决多视图子空间聚类中的非线性问题？
基于核化的多视图自表达聚类方法通过在新特征空间对转换后的数据进行多线性聚类，解决了非线性子空间中的数据聚类问题。
如何降低大规模多视图子空间聚类的计算复杂度？
基于层次特征下降的锚点多视图子空间聚类方法（MVSC-HFD）通过统一采样策略以线性时间代价降低计算复杂度；此外，线性复杂度的大规模多视图子空间聚类算法利用锚图学习每个视图的较小图形，实现高效谱聚类。
深度框架在多视图子空间聚类中有什么应用？
针对大规模多视图数据集，提出了高效有效的多视图子空间聚类深度框架（E²LMVSC），通过提取统一表示来增强聚类性能；还有多视图深度子空间聚类网络（MvDSCN）利用自表达矩阵学习互补信息，提取内在结构。
多视图学习通常分为哪几类？
多视图学习通常分为三类：共同训练、多核学习和子空间学习，并利用共识原则或互补原则来确保成功。
有哪些代表性的多视图子空间聚类算法？
代表性算法包括：Enriched Robust Multi-View Kernel Subspace Clustering（结合多视角数据和谱聚类学习一致性亲和矩阵）、基于矩阵分解的低复杂度方法（自我监督学习，避免二阶段）、E²LMVSC（深度框架）、基于核化的多视图自表达聚类、MVSC-HFD（锚点方法）、MvDSCN（深度子空间聚类网络）、线性复杂度的大规模多视图子空间聚类算法（锚图）等。
