1. 论文核心思想解析
这篇发表于TPAMI 2019的论文提出了一种名为LF-IMVC(Late Fusion Incomplete Multi-view Clustering)的新型多视图聚类方法,专门针对现实场景中普遍存在的不完整多视图数据问题。传统多视图聚类方法通常假设所有视图数据完整可用,但在实际应用中(如医疗影像、社交网络分析),某些视图数据可能因采集限制或设备故障而部分缺失。
LF-IMVC的创新点在于采用"晚期融合"策略,不同于早期融合(直接拼接特征)或中间融合(共享表示学习),该方法先对各视图进行独立学习,再通过优化目标函数实现视图间共识聚类结果的融合。这种设计具有两个显著优势:一是允许不同视图采用最适合其特征的独立学习策略,二是通过正则化项处理缺失视图情况,避免简单补零或均值填充带来的信息偏差。
关键洞见:论文发现直接对不完整视图进行矩阵补全可能引入噪声,而晚期融合能更好地保留各视图的独有信息特征。
需要模型API调用? 免费领10W Token,多模型网关一键接入 Claude、DeepSeek 等主流模型。
2. 技术实现细节拆解
2.1 问题建模与符号定义
设数据集有N个样本和V个视图,定义第v个视图的特征矩阵为X^(v)∈R^(d_v×N),其中d_v是该视图的特征维度。引入缺失矩阵W^(v)∈{0,1}^(N×N),当样本i在视图v中缺失时W^(v)_ii=0。核心目标函数包含三部分:
- 视图特定聚类损失:∑_v ||W^(v)∘(X^(v)-U^(v)V^(v)T)||_F^2
- 共识正则项:λ∑_v ||V^(v)-V*||_F^2
- 稀疏约束:γ||V*||_2,1
其中∘表示Hadamard积,U^(v)是视图v的基矩阵,V^(v)是视图特定指示矩阵,V*是共识指示矩阵。||·||_2,1范数促使行稀疏,实现特征选择。
2.2 优化算法设计
采用交替方向乘子法(ADMM)求解这个非凸问题,具体步骤包括:
-
固定其他变量,更新U^(v):
通过最小二乘法求解:U^(v) = X^(v)(W^(v)∘V^(v))(V^(v)T(W^(v)∘V^(v)))^-1 -
更新V^(v):
转化为求解:min_V ||W^(v)∘(X^(v)-U^(v)V^T)||_F^2 + λ||V-V*||_F^2
使用共轭梯度法迭代求解 -
更新V*:
引入辅助
