[PED03]Partial Multi-view Subspace Clustering

Partial Multi-view Subspace Clustering

来源：MM2018
作者：Nan Xu, Yangqing Guo...(Dalian University of Technology)

一句话概括

从原始数据中学习潜在表示，利用潜在表示的自表达得到子空间表示。

missing data 和 partial data在实际任务中非常常见。本文提出一种Partial Multi-view Subspace Clustering (PMSC)来解决不完全多视图问题。

Partial multi-view data；子空间聚类；潜在空间；子空间结构。

当数据在某个视图有缺失的时候，常见的两种处理方式为：
- 删除有缺失的数据。
  - 缺点：有缺失数据的样本无法聚类。
- 填充缺失的信息。
  - 缺点：不能实现很好的性能。
Existing methods：
- Li et al.[7] ：开创性工作。利用NMF将缺失数据投影到一个潜在空间。
  - 两个视图、表示要求非负。
- Wang et al. [18]：学习了哈希代码，保持了不同视图之间的一致性和同一视图内的相似性。
- Yin et al. [23]：提出学习投影矩阵和包含标签信息的潜在表示。
  - 详细介绍：Incomplete multi-view clustering via subspace learning
- Shao et al.[16]：[7]的扩展，加权NMF， $L_{21}$ 正则化。填充缺失、给缺失样本小的权重。
- Zhao et al. [29]：增加了一个图拉普拉斯项来探索局部多视图数据的紧凑全局结构。
- Zhap et al. [30]：为了保持不同视图之间的相似结构，作者提出同时学习统一稀疏编码和相似诱导概率邻域。
- Yin et al. [24]：引入子空间学习框架，直接优化共享类指标矩阵。
  - 详细介绍：Unified subspace learning for incomplete and unlabeled multi-view data
之前的方法忽略了多视图数据的子空间结构。利用自表达来学习子空间结构对于缺失数据来说很困难，因为每个视图都有缺失，可能无法全面的表示数据本身的结构。
提出 Partial Multi-view Subspace Clustering (PMSC)方法

首先将原始数据投影到k维的子空间，得到潜在表示H。然后利用H的自表达得到子空间表示Z。

在这里插入图片描述

然后用Z去做谱聚类？（没有看到后续的描述）

优点：
- 子空间表示可以揭示原始数据中嵌入的底层子空间结构。
- 子空间聚类常常会被原始数据的质量所影响，我们从潜在表示中学习子空间表示而不是从原始数据中学习，使方法更加鲁棒。
缺点：

最后编辑于：2020.06.01 18:52:37