局部几何增强锚点学习在多视图聚类中的创新应用

本文提出了一种新颖的局部几何增强锚点学习多视图聚类模型（LGEAC），通过粗粒度锚点学习机制将视图锚点映射到共识空间，结合拉普拉斯正则化（Laplace Regularization）捕捉样本局部几何模式，并引入改进的正则化策略提升表示判别性。该模型实现了锚点生成与表示学习的无缝统一，在多项评估指标上展现出优越性能，为大规模多视图聚类提供了高效解决方案。

　　

亮点

• 我们引入了一种粗粒度锚点学习机制，将每个视图锚点映射到共识空间，有效提升了框架的表达能力和学习效果。

• 通过引入拉普拉斯正则化，LGEAC能够有效建模细粒度几何结构，捕捉样本内部的局部几何模式。

• 提出了一种改进的正则化策略，旨在学习更具判别性的表示。该策略通过优化表示空间的结构来增强不同类别间的区分度，从而提升聚类整体质量。

• 我们引入了一种优化策略来高效求解LGEAC模型，并通过理论和实验结果证明了其收敛性。此外，计算复杂度仅为O(n)，可成功应用于大规模数据。

分析LGEAC模型

本节重点探讨所提出方法的计算复杂度和收敛性。

实验验证

为验证LGEAC算法的有效性，我们在玩具数据集和七个常用大规模多视图数据集上开展了一系列实验。实验过程中，将所提方法与十种先进多视图聚类方法进行了对比。结果表明，LGEAC算法具有优异性能且计算复杂度低。

结论

本文提出了一种名为局部几何增强锚点学习多视图聚类（LGEAC）的新模型。我们首先为每个视图创建锚点以捕捉不同视图的信息；随后利用这些锚点自适应学习共识表示，增强跨视图共享信息的捕获能力。此外，提出的新型正则化策略使最终共识表示更具判别性。