虚拟正则化二分图学习在多视图子空间聚类中的创新应用

本文提出虚拟正则化二分图学习多视图子空间聚类算法（VRBGL-MVSC），通过投影学习和虚拟标签引导（Virtual Regularization, VR）解决大规模数据下传统多视图子空间聚类（MVSC）算法复杂度高（O(n3)）和信息丢失问题。实验表明，该算法在四个大规模数据集上NMI指标提升最高达3.24%，显著优于现有方法。

　　

Highlight

本文提出了一种创新的虚拟正则化二分图学习多视图子空间聚类方法（VRBGL-MVSC），通过整合投影学习、锚点生成和虚拟标签引导技术，显著提升大规模数据处理的效率和聚类精度。

Related work

表1总结了关键符号，并回顾了多视图聚类（MVC）领域相关研究，重点对比了基于二分图的降维策略与传统方法的优劣。

The proposed VRBGL-MVSC

该模型通过投影矩阵在潜在低维空间生成判别性锚图，结合虚拟正则化（VR）技术动态指导二分图构建，有效缓解数据点丢失对聚类的影响（见图1流程示意图）。

Optimization and analysis

提出高效迭代优化算法，理论分析显示VRBGL-MVSC的时间复杂度显著低于传统MVSC方法，适用于高维基因组数据等场景。

Experiments

在9个多视图数据集（含3个大规模和2个高维数据集）上的测试表明，VRBGL-MVSC在运行速度和NMI指标上均超越现有最优算法，代码开源在GitHub平台。

Conclusion

虚拟正则化技术的引入使二分图学习能更高效挖掘多视图数据信息，未来可拓展至单细胞RNA测序等生物医学领域。

Uncited Reference

[43]（未引用文献标注）

CRediT authorship contribution statement

Linlin Ma：核心算法设计；Wenke Zang：理论指导；Xincheng Liu：可视化实现；团队其他成员分别参与写作、基金支持或实验验证。

Declaration of competing interest

作者声明无利益冲突。

（注：翻译严格保留专业术语如Virtual Regularization(VR)、NMI等，省略文献引用标识[1][2]及Fig.1等图表标注）