基于特征选择与鲁棒图学习的多视图聚类
来源：计算机工程杂志2022年第12期北京时间：
作者：黄奕轩, 杜世强, 余瑶, 肖庆江, 宋金梅
单位：1. 西北民族大学 数学与计算机科学学院, 兰州 730030;2. 西北民族大学 中国民族信息技术研究院, 兰州 730030
摘要：现有的多视图聚类方法大多直接在原始数据样本上构建各视图的相似图，而原始数据中的冗余特征和噪声会导致聚类精度下降。针对该问题，基于特征选择和鲁棒图学习提出多视图聚类算法FRMC。在自适应选择不同视图特征时降低数据维度，减少冗余特征，同时利用自表示学习获取数据的表示系数，滤除噪声影响并得到数据样本的全局结构，从而去除样本中的噪声和离群点。在此基础上，通过自适应近邻学习构造样本鲁棒图，利用鲁棒图矩阵的加权和构建最终的亲和图矩阵，提出一种基于增广拉格朗日乘子的交替迭代算法对目标函数进行优化。在6个不同类型的标准数据集上进行实验，与SC、RGC、AWP等算法的对比结果表明，FRMC算法能够有效提升聚类精度且具有较好的收敛性与鲁棒性。
关键词：多视图聚类,特征选择,自表示学习,自适应近邻学习,亲和图矩阵
基金资助：国家自然科学基金（61866033）；西北民族大学引进人才科研项目（xbmuyjrc201904）。
