基于锚点感知表征学习的多视图聚类方法研究

本文提出了一种创新的锚点感知表征学习多视图聚类模型（AARLMC），通过引入锚点自表征学习机制（anchor-wise self-representation）结合正交约束，有效挖掘锚点间内在关联并生成增强表征。采用三阶张量（third-order tensor）和核范数约束（tensor nuclear norm）捕获多视图数据高阶相关性，在12个基准数据集上验证了其优于13种现有方法（如NMF、LLE）的性能，为大规模数据聚类提供了计算复杂度近线性（O(n)）的解决方案。

　　

亮点

• 提出带正交约束的锚点自表征机制，动态建模锚点潜在关系

• 通过增强锚点表征构建三阶张量，利用张量核范数挖掘多视图高阶相关性

• 首次将锚点相似性保持、张量表示与自适应视图加权整合至统一框架

方法

锚点自表征学习

受局部线性嵌入（Local Linear Embedding, LLE）启发，我们通过线性组合锚点邻域实现重构，数学表达为：

‖x_i-∑_j∈N(i)w_ijx_j‖₂

其中w_ij量化邻域锚点贡献度，正交约束提升锚点矩阵判别性。

实验设置

数据集：

• YaleA和Yale¹人脸数据集含165张图像，采用颜色矩（Color Moment）、GIST和50维LBP特征

• 其他数据集涵盖癌症基因组等多模态数据

结论

本工作提出的AARLMC模型通过锚点自表征学习揭示数据内在结构，结合张量低秩约束显著提升聚类精度，在癌症亚型分析等医学场景中展现出应用潜力。