LAG-Net：一种基于可学习锚图的多视图聚类深度展开网络

《Mathematics》：LAG-Net: A Deep Unfolding Network for Multi-View Clustering via Learnable Anchor Graph

　　

摘要

多视图聚类旨在无需监督的情况下，从异构特征中发现一致的聚类结构。基于锚点的方法通过紧凑的锚点集来表示样本，从而提高了可扩展性，但固定锚点可能与不断演变的聚类几何结构不一致。这种不一致是本文主要解决的问题：共享样本 - 锚点图和全局锚点几何结构需要在异构视图上共同细化，而不是在两个分离的阶段中进行。本文提出了可学习锚点图网络（LAG-Net），这是一个深度展开框架，在统一模型中共同学习共享锚点图、视图特定的锚点指示器和全局锚点对齐。全局锚点对齐为共享锚点图学习提供几何指导，并促进异构视图间的锚点一致性。通过将推导出的优化过程展开为可训练网络，LAG-Net 使锚点表示和样本 - 锚点关系能够逐步细化。在六个基准数据集上的实验表明，与代表性的多视图聚类方法相比，所提方法具有有效性和可扩展性。