Fang U, Li M, Li J, et al. A Comprehensive Survey on Multi-view Clustering[J]. IEEE Transactions on Knowledge and Data Engineering, 2023. 论文链接

论文导读

对Multi-view clustering （MVC）做文献综述，主要包括两种方法:

1. heuristic-based multi-view clustering (HMVC)

• nonnegative matrix factorisation
• graph learning
• latent representation learning
• tensor learning

2. neural network-based multi-view clustering (NNMVC)

• deep representation learning
• deep graph learning

我们主要关心的是基于神经网络的方法。

MVC介绍

MVC一般的过程包含如下几个部分：输入，提取特征，根据每个view聚类，最终得到聚类结果。

General procedures of MVC.

努力的方向有：consensus的构造，聚类结果的融合，区分view间的不同，分配view间的权重。

1. Deep Representation Learning

针对深度表示学习，主要介绍了下面三种方法：

Schema of deep multi-view representation learning models.

SplitAE

W. Wang, R. Arora, K. Livescu, and J. Bilmes, “On deep multi-view representation learning,” in International conference on machine learning. PMLR, 2015, pp. 1083– 1092.

作者构造了共享的特征提取器，并分view构造了不同的重构网络，其损失函数如下：

objective of SplitAE.

DCCA

引入了典型关联分析canonical correlation analysis，让两组高维数据的相关度最大（投影到一维后，相关系数最大）。分别用两个特征提取器提取不同维度的特征，之后计算损失函数：

objective of maximising canonical correlation.

DCCAE

把前两个方法结合起来，既有不同的特征提取器，又有不同的特征重构，损失函数也为二者的结合：

objective of DCCAE.

2. Deep Graph Learning

关于图的方法共介绍了两种，都是基于single-view的，然后根据特性生成多个view，也可以直接用在多视角的数据上。

General framework.

样本间关系网

对应于图中的a。不同的颜色代表不同的样本。single-view数据集，获得affinity graph后，通过增强得到两个视角的graph views，再利用不同的特征提取器提取特征，用相同的特征做还原，然后最大化MI：

MI 两视角.

多视角构成多个网络

对应于图中的b。不同颜色代表不同的graph view。使用同一个 特征提取器提取特征，再用相同的网络还原，最后计算损失函数，与a中的不同：

MI 多视角.