基于共享二分图一致性融合的可扩展多视图聚类方法研究

针对多视图聚类中计算复杂度高、融合策略单一及视图间不一致性忽略等问题，研究人员提出MVC-CFBG框架，通过任意视图分组构建共享二分图，在统一目标函数中建模一致性与不一致性。实验表明该方法在15个基准数据集上显著提升聚类精度与可扩展性，为大规模数据聚类提供新思路。

　　

在数据爆炸的时代，多视图聚类技术因其能整合不同来源的数据特征而备受关注。然而，现有方法面临三大瓶颈：一是传统算法构建N×N全亲和力图时计算复杂度飙升，难以应对大规模数据；二是多数研究采用单阶段融合策略，缺乏对多阶段渐进式融合的探索；三是现有模型过度强调视图间一致性，却忽视了现实数据中普遍存在的视图特异性噪声。这些问题严重制约了多视图聚类在实际场景中的应用。

针对这些挑战，研究人员提出了一种创新性解决方案——基于共享二分图一致性融合的可扩展多视图聚类（MVC-CFBG）。该方法的核心突破在于引入任意视图分组概念，通过早期融合构建视图共享的二分图（N×p矩阵，p?N），大幅降低计算开销。在后期融合阶段，采用统一目标函数同时建模多视图一致性（Consistency）与不一致性（Inconsistency），最终生成鲁棒且可扩展的融合图。实验证明，该方法在15个基准数据集上的聚类精度和运算效率均超越现有技术，尤其擅长处理大规模数据。

关键技术方法包括：1）基于任意视图分组的动态构图技术；2）采用质心点（prime data points）构建稀疏二分图；3）多目标优化框架同步处理一致性与不一致性；4）基于谱聚类（spectral clustering）的最终聚类实现。所有实验均在常规笔记本电脑（Intel i7-2.7GHz/16GB RAM）的Python环境中完成。

研究结果部分显示：

1. 视图分组构建：通过随机组合生成多样化视图子集，每个子集独立生成二分图，有效捕捉视图间复杂关系。
2. 二分图生成：选择代表性质心点构建N×p稀疏矩阵，相比传统N×N矩阵内存占用降低90%以上。
3. 一致性融合：迭代优化过程中，算法自动识别并强化跨视图稳定结构，同时过滤特异性噪声。
4. 性能验证：在Caltech101-7（5.4万样本）等大规模数据集上，该方法保持线性时间复杂度，聚类准确率（ACC）平均提升12.7%。

结论部分指出，MVC-CFBG的创新性体现在三方面：首先，任意视图分组机制突破了传统"全视图或单视图"的二元思维；其次，二分图结构设计实现了算法复杂度从O(N²)到O(Np)的质变；最后，统一建模一致性与不一致性的框架显著提升模型鲁棒性。这项工作为处理医疗影像多模态数据、跨平台组学数据等复杂场景提供了新工具，相关成果发表于《Knowledge-Based Systems》。论文作者Shalini等人特别强调，未来将进一步探索视图分组的智能生成策略，以及该方法在动态流数据场景中的应用潜力。