高剂量维生素C增强BCG免疫疗法在小鼠膀胱癌异位模型中的疗效

本文提出了一种高效的多视图离散聚类方法FMDC（Fast Multi-view Discrete Clustering），通过生成代表性锚点构建锚图（anchor graphs），自动加权融合多视图信息形成对称双随机相似矩阵，并设计两种求解器直接计算离散聚类指标矩阵。该方法避免了传统方法中高计算成本的图构建和特征值分解（EVD），以及后处理步骤造成的信息偏差，实现了线性时间复杂度（O(n)），显著提升了大规模数据集的聚类效率和效果。

　　

亮点

本研究提出了一种创新的多视图离散聚类方法FMDC，通过以下突破性设计解决传统方法的局限性：

1. 1.

   锚点生成革新：采用K-means++生成更具代表性的锚点（anchors），摆脱传统K-means对初始化的敏感性，且支持不同视图独立设置锚点数量。

2. 2.

   智能加权融合：通过自动学习机制整合多视图信息，生成对称且双随机（doubly stochastic）的聚合相似矩阵，保留数据几何结构。

3. 3.

   直接离散求解：开发两种轻量级求解器（solvers），无需松弛或后处理步骤（如K-means重离散化），直接输出离散聚类标签，避免信息损失。

方法核心

• •

  效率飞跃：将传统O(n²d)的图构建和O(n³)的特征值分解（EVD）复杂度降至线性，适用于大规模数据。

• •

  理论保障：通过命题1和命题2证明目标函数等价性，确保优化过程直接关联谱聚类（spectral clustering）的归一化割（Ncut）准则。

实验验证

在真实数据集测试中，FMDC在聚类精度（如ACC、NMI）和运行速度上均显著优于基线方法，尤其适用于生物医学多组学数据整合分析。

结论

FMDC为多视图学习提供了高效且理论严谨的解决方案，其模块化设计可扩展至生物标志物发现、医学影像分析等领域。

第二个结论

本研究通过锚点生成优化、多视图动态融合和离散求解器设计，实现了无需后处理的高效聚类，为处理复杂生物数据（如单细胞测序、多模态影像）提供了新范式。