鲁棒多视图离散聚类与统一图学习模型：提升复杂噪声环境下的聚类效能与稳健性

本文提出了一种新颖的鲁棒多视图离散聚类模型（RCUGL），通过融合高维样本构建图和低维谱嵌入重构图形成统一图结构，显著增强了图结构信息的完整性。在相关熵（correntropy）框架下直接进行离散谱分析，有效克服了传统图聚类方法（GMVC）中因两阶段离散化造成的信息损失与性能下降问题，并显著提升了对复杂噪声的鲁棒性。采用基于半二次优化的坐标下降算法，确保了模型高效收敛。实验证明，RCUGL在聚类效果与稳健性方面均优于当前先进方法。

　　

Highlights

本研究的主要贡献总结如下：

1. 1.

   我们提出了一种新颖的、具有统一图学习功能的鲁棒多视图离散聚类模型（RCUGL），通过整合高维和低维图结构并引入相关熵（correntropy），显著提升了聚类效果与鲁棒性。

2. 2.

   针对RCUGL模型的离散与非凸特性，我们提出了一种基于半二次优化（half-quadratic）的坐标下降算法，该算法仅需少量迭代即可实现收敛。

3. 3.

   在真实数据集和噪声污染数据集上的大量实验结果表明，与当前最先进的方法相比，RCUGL显著提高了聚类效果与鲁棒性。

Methodology

本节提出了一种鲁棒多视图离散聚类与统一图学习模型（RCUGL），旨在提升图基多视图离散聚类（GMDC）的效果与稳健性。该模型将样本构建的图与谱嵌入重构的图整合为统一图，并在相关熵框架下执行离散谱分析，直接获取样本类别。RCUGL的整体框架如图1所示，具体如下：

Optimisation and Analysis

本节提出了一种新颖的快速迭代优化算法以求解所提出的模型，并分析了其计算复杂度。算法包括六个步骤：初始化、e-步、F-步、G-步、α-步和β-步。具体优化方法如下：

Experiment

本节通过大量实验验证我们提出的RCUGL的聚类性能。具体地，为证明RCUGL的有效性，我们使用了十个真实世界数据集（见表1），包括八个常规规模数据集（样本数不超过10000），涵盖3-sources、BBCsport、WebKB、HW、NUS、Mnist4、USPS 和 Mnist。

Conclusion

本文提出了一种具有统一图学习的鲁棒多视图离散聚类模型（RCUGL），解决了现有GMVC方法中的关键挑战。RCUGL通过将高维和低维图结构整合到统一框架中，丰富了底层图表示，从而提高了聚类效果。引入相关熵进行离散谱分析增强了模型对真实数据集中复杂噪声的鲁棒性。我们…