A novel multi-view clustering method via low-rank and matrix-induced regularization

الگوریتم خوشه بندی چندگانه چندین دهه گذشته عملکرد قابل توجهی در برنامه های مختلف نشان داده است. با این حال، اکثر آنها به طور صحیح صدا و ارتباط را در میان نظرات مختلف به حساب نمی آورند، که ممکن است عملکرد خوشه بندی را کاهش دهد. در این مقاله، ما روش جدید خوشه بندی چندبعدی را برای حل این مسائل پیشنهاد می دهیم. به طور خاص، ما یک ماتریس همبستگی پایین و یک ماتریس خطای ضعیف از هر ماتریس مشابهی که مربوط به هر دید است، ایجاد می کنیم. علاوه بر این، یک اصطلاح تصحیح ناشی از ماتریس برای کاهش بار اضافی و افزایش تنوع در دیدگاه های مختلف گنجانده شده است. الگوریتم چند برابر کننده لاگرانژی افزوده شده برای حل مسئله بهینه سازی حاصل شده است. آزمایش های جامع برای بررسی تأثیر الگوریتم پیشنهاد شده انجام می شود. نتایج نشان می دهد که الگوریتم ما چندین حالت پیشرفته را در هر دو مجموعه داده های مصنوعی و معیار مقایسه می کند.