共识模糊表示学习（Consensus Fuzzy Representation Learning）

《IEEE Transactions on Fuzzy Systems》：Consensus Fuzzy Representation Learning

本文提出了一种基于张量Schatten p-范数和块对角线正则化的共识模糊表示学习框架CFRL，有效解决了多模型特征维度不匹配和标签排列不一致的问题。通过模糊聚类生成多样性隶属矩阵并转化为相似性矩阵，结合正则化约束实现低秩特征提取和噪声抑制，显著提升聚类可分性。实验表明CFRL在性能上优于现有方法。

　　

摘要：

共识学习在聚类任务中得到了广泛应用，因为它对噪声和异常值具有很强的鲁棒性，并且能够整合来自多个模型的多样化基础结果。然而，现有方法往往受到特征维度不一致以及模型间标签排列不一致问题的限制。为了解决这些问题，本文提出了一种新的共识模糊表示学习（Consensus Fuzzy Representation Learning，简称CFRL）框架。CFRL框架首先使用各种模糊聚类方法生成多样化的隶属矩阵，然后将这些矩阵转换为亲和矩阵，作为基础的模糊表示。这种转换策略不仅有效解决了特征对齐问题，还为单视图和多视图数据场景提供了一种统一的处理机制。为了获得鲁棒的共识特征，张量Schatten p范数鼓励张量化模糊表示中的低秩结构，而l范数正则化误差项能够捕获并抑制稀疏噪声。此外，目标函数中还加入了一个块对角线正则化项，该正则化项引导共识特征矩阵趋向于最优的块对角结构。这种结构约束增强了聚类的区分能力，使得最终的聚类分配更加可靠。全面的实验评估表明，所提出的CFRL方法在性能上优于现有的最先进方法。