摘要：在大数据时代下,如何利用多源异构数据中的互补信息来识别数据中的簇模式,是多视角聚类研究中的热点问题.然而,大多数现有的多视角聚类方法只在基于内容的特征表示上(如基于k-means的加权多视角聚类方法)或基于上下文的相似度表示上(如基于谱聚类的加权多视角聚类方法)学习和施加权重,未能同时考虑这两种表示以充分地表达出视角内部固有的信息.另外,大多数加权多视角聚类方法需要引入额外的参数以控制视角权重的分布,但是,在没有任何先验知识的前提下,很难人为选择出恰当的权重控制参数.针对上述问题,提出了一种双重加权的多视角聚类算法DWMVC.它通过互信息自动学习视角权重,并将这些权重施加到基于内容和基于上下文的多视角数据表示上,以便于充分利用两种数据表示下的视角互补信息.构造了一个基于信息瓶颈的目标函数,在压缩这两种数据表示的同时最大限度地保留着相关特征和相似度信息.最后,设计了一种顺序的优化方法,以保证模型收敛到局部最优解.在多种多视角数据集上的实验结果表明,该方法优于目前先进的单视角和多视角聚类方法.

摘要：针对传统子空间聚类算法与超参数自适应算法结合时,面对特定多视角数据集的性能失效问题,提出了一种自适应多视角子空间聚类算法。基于不同视角数据点对之间相似度近似的原理,构建了表示矩阵和相似度矩阵在多视角范围内的相关性约束。通过设计的子空间聚类目标函数,在函数第1项和第2项构建了数据矩阵和表示矩阵在单个视角内的相关性约束,在第3项使用径向基函数构建单个视角内表示数据点对之间的相似度,并在与该点对所对应的连接图中的点做相似度差值处理,约束该值在多个视角内的一致性。使用块坐标下降法求解目标函数,根据线性最小二乘法原理自动求解超参数,在得到的连接图上应用谱聚类算法得到聚类分配结果。7个真实数据集上的实验结果表明:与无参数聚类算法COMIC相比,所提算法在4个数据集上性能分别提升了9.3%、6.8%、55.8%、15.39%,并解决了3个数据集中对比算法性能失效的问题;与7个手动调参算法相比,取得了2.15的平均排名。

摘要：提出了一种新的面向图的一致性多视角稀疏聚类框架,该方法先将多视角数据分解为一致性与不一致性部分;然后采用相似性度量方法与KNN(K-nearest neighbor)算法对多视角数据进行分解与融合;再运用稀疏表示学习多视角图的一致性相似矩阵,进而通过谱聚类获取聚类结果。最后,设计并实现了一种交替迭代优化算法求解目标函数,并在八个多视角数据集上通过对比实验验证了该方法的有效性。

摘要：针对跨模态信息检索的策略和核心问题,从提升检索性能的角度,分析了多视角对称非负矩阵分解方法用于跨模态检索的优势,提出了一种新的基于对称非负矩阵分解的跨模态检索框架。首先在Wikipedia、Pascal公开数据集上习得一致的子空间表示;然后基于该子空间,设计了一种实时样本在子空间中的投影方法。与典型相关分析、语义匹配和偏最小二乘回归相比,在MAP和PR曲线这2个指标上,本文所提出的方法具有最优的性能表现,表明了该方法应用于跨模态信息检索任务中的潜力。