基于转移概率的一步多视角聚类
内容提要
该文综述多视图聚类研究，涵盖自学习对称概率聚类、张量投影标签学习、不完整锚图学习、生成式缺失视图补全、在线与深度矩阵分解、后融合框架及多聚类等新方法，并梳理常见策略、分类、相关领域与开放问题。
延伸解读
多视角聚类方法的时间演进
文章按时间顺序列举了从2017年到2024年的多项多视角聚类研究，展示了该领域从传统方法向深度学习、在线学习、不完整数据学习等方向的演进。读者可以从中观察到研究热点的变迁，例如早期关注分类框架，近期则更多聚焦于缺失视图补全、锚图学习等实际问题。
处理不完整数据的多种思路
针对多视角数据中常见的缺失问题，文章介绍了多种解决方案：SLS-MPC通过自学习对称概率实现缺失容忍；GP-MVC利用生成对抗网络补全缺失视图；不完整锚图学习框架则通过锚图学习和结构对齐降低复杂度。这些方法从不同角度应对缺失，为实际应用提供了选择。
提升效率与避免后处理的技术
文章提到，基于锚点图的方法为避免后处理，学习具有连通分量的二部图，但参数要求高。LLMTP通过张量投影直接得到聚类标签，无需后处理。OPIMC使用在线矩阵分解，并引入全局统计量确定迭代终止，提高了效率。这些技术旨在简化流程并提升聚类质量。
多聚类与后融合框架的进展
文章介绍了多视图多聚类（MVMC）和后融合框架（OS-LFMVC-CS）。MVMC利用自表示学习和Hilbert-Schmidt独立性标准生成多样且高质量的聚类，并可扩展至共聚类。OS-LFMVC-CS通过一致子空间对齐和优化分区融合，直接学习离散标签。这些方法拓展了多视角聚类的应用范围。
Q&A
SLS-MPC 方法有什么特点？
SLS-MPC 是一种自学习对称多视图概率聚类方法，使用对称多视图概率估计和自学习概率函数实现任意视图数的数据缺失容忍，同时使用图上下文感知的细化来消除噪声和离群值的影响，并提出概率聚类算法进行聚类分配调整，无需类别信息，在多个基准测试中明显优于现有方法。
LLMTP 方法如何解决基于锚点图的多视角聚类中的参数敏感问题？
LLMTP 通过正交投影矩阵将锚点图投影到标签空间中直接得到聚类标签，避免后处理；并将矩阵投影转化为张量投影以充分利用视角间的空间结构信息，同时引入张量 Schatten p-范数正则化使不同视角的聚类标签矩阵尽可能一致。
GP-MVC 模型是如何处理不完整多视角聚类问题的？
GP-MVC 模型通过生成缺失视图的数据来解决不完整的多视角聚类问题，使用多视角编码器网络和生成对抗网络学习共享表示和生成缺失数据，并利用加权自适应融合方案来利用不同视图的互补信息。
OPIMC 在线多视角聚类方法有什么优势？
OPIMC 使用正则化矩阵分解和加权矩阵分解，可以相对容易地提取多视角数据中的聚类结果，解决了缺失问题，并引入两个全局统计量有效确定迭代过程的终止，具有高效性和有效性。
MVMC 多视图多聚类算法是如何工作的？
MVMC 将自表示学习应用于多视图数据中，使用 Hilbert-Schmidt 独立性标准降低矩阵之间的冗余并收集共享信息，再采用矩阵分解生成多个高质量多样性聚类，并进一步扩展到多视图多共聚类（MVMCC）。
多视角聚类（MVC）的常见策略和分类有哪些？
论文总结并分析了目前多视角聚类（MVC）方法的常见策略，并提出了一种新的 MVC 方法分类，还讨论了 MVC 与多视图表示、集成聚类、多任务聚类、多视图监督和半监督学习之间的关系，并阐述了几个代表性实际应用。
