分区空间中基于自动加权融合的不完全多视图聚类

作为一类有效的不完全多视图聚类方法，基于图的算法近年来受到了广泛的关注。然而，他们中的大多数人可以在以下方面进行进一步的改进。首先，在一些基于图的模型中，所有视图都被迫共享一个公共的相似图，而不管由于视图不完整而导致的严重一致性退化。接下来，相似图构建和聚类分析有时是分开进行的。最后，个人观点的贡献差异并不总是被仔细考虑的。为了同时解决这些问题，本文提出了一种基于分区空间中自动加权融合的不完全多视图聚类算法。在我们的算法中，将聚类结构的信息引入到相似性学习过程中，以构建期望的相似性图，在划分空间中进行信息融合，以减轻一致性退化带来的负面影响，并对所有视图进行自适应加权，以反映它们对聚类任务的不同贡献。最后，在一个统一的框架中对所有子任务进行协同优化，以达到总体最优结果。实验结果表明，该方法与现有的方法相比具有良好的性能。