用于多视图二分图聚类的广义概率图模型

《IEEE Transactions on Pattern Analysis and Machine Intelligence》：Generalized Probabilistic Graphical Modeling for Multi-View Bipartite Graph Clustering

多视图双图聚类首次提出基于概率图模型的框架，通过最大似然估计重构数据关系，优化噪声过滤机制，推导出可解释的GProM模型，实验验证其有效性和统计特性。

　　

摘要：

多视图二分图聚类（MVBGC）是无监督学习中一个活跃的研究方向，旨在解决传统图聚类方法的可扩展性限制问题。尽管性能有所提升，但许多变体仍然依赖于传统的建模方法，这些方法通过添加额外的模块来增强模型复杂性，却未能揭示变量之间的内在关系。我们首次尝试引入概率图模型来处理多视图二分图聚类问题，并将其重新表述为一个最大似然估计（MLE）问题。这种建模方式能够揭示共性变量、视图特定变量以及噪声成分之间的概率关联。通过去除冗余和干扰（统称为噪声），我们证明了最小化总噪声值可以近似表示多视图数据观测值的MLE下界。进一步地，我们通过引入适合聚类的约束条件，将MLE模型进行了泛化，从而构建了一个通用概率图建模框架（GProM），该框架具有可解释性、简洁性和灵活性。大量实验验证了该框架的有效性。此外，统计显著性分析还揭示了不同分布假设的有效性，为模型设计提供了宝贵的见解。

引言

随着来自各种来源的数据量急剧增长（例如在自动驾驶场景中），汽车通过摄像头、激光雷达和雷达感知周围环境，因此对海量数据进行标注既耗费成本又需要大量人力，这迫切需要发展无监督学习技术[1]、[2]、[3]、[4]。图聚类[5]、[6]、[7]已成为多视图聚类（MVC）[8]、[9]、[10]领域中一个快速发展的研究方向，在社交网络、生物信息学和推荐系统[11]、[12]、[13]中得到广泛应用。