摘要
多视图聚类已成为信息时代的一个重要研究方向，因为越来越多的多特征表示变得可用。然而，传统的多视图聚类方法通常是无监督的，无法利用可用的标签信息。在实际应用中，完全标注的数据十分稀缺，而部分标注的数据更为常见，并且能够显著提升聚类性能。此外，现实世界中的数据经常受到噪声或异常值的干扰。为应对这些挑战，本文提出了一种基于协信息熵引导的矩阵分解与张量图学习（CMTGL）框架，用于实现鲁棒的半监督多视图聚类。具体而言，CMTGL通过约束的低秩矩阵分解将部分标签信息整合到共享的低维表示中，并采用最大协信息熵准则（MCC）来减少噪声样本和异常值的影响。此外，将各视图特定的图堆叠为三阶张量，并利用张量Schatten p范数进行正则化，以挖掘多视图之间的高阶相关性。通过联合学习一个共识图来捕获不同视图之间共享的公共结构信息。所提出的优化问题通过一种带有外推加速块坐标更新（BCU）策略的块坐标下降算法高效求解。在六个公共基准数据集上的大量实验表明，本文方法相较于现有最先进方法在聚类性能上表现更优。
