基于多视角亲和融合的模糊模块度聚类方法

《Scientific Reports》：Unsupervised and semi-supervised fuzzy modularity clustering via multi-view affinity fusion

　　

摘要

近年来，模糊模块度聚类因其与评估准则和学习目标的一致性，以及对噪声数据的强鲁棒适应性而备受关注。然而，现有的模糊模块度聚类方法仅依赖单一的距离度量来构建初始亲和图，这对数据的内在分布施加了较强的假设，导致在现实世界应用中聚类性能较差。为克服这一局限，本研究引入了多视角亲和图的概念，摆脱了任何单一度量的约束。我们进一步采用亲和融合技术整合多视角的初始图，使融合后的图能够同时反映不同度量的特性。随后，采用模糊模块度的概念构建学习目标，提出了一种名为基于多视角亲和融合的模糊模块度聚类（Fuzzy Modularity Clustering via Multi-view Affinity Fusion, FMC-MAF）的新聚类方法。此外，本文还开发了半监督学习变体 sFMC-MAF，在仅引入一个额外超参数并保持优化框架不变的情况下，有效利用带标签样本。在合成数据集和真实世界基准数据集上的大量实验表明，所提出的 FMC-MAF 和 sFMC-MAF 均具有有效性。