Tensor-based Graph Learning with Consistency and Specificity for Multi-view Clustering

在多视角聚类的背景下，图学习被认为是一种关键技术，通常涉及基于概率邻居构建自适应邻居图，然后学习一致图以进行聚类。然而，它们面临两个限制。首先，它们通常依赖于欧几里得距离来衡量相似性，但在实践中无法捕捉数据点之间的内在结构。其次，大多数方法仅关注一致图，忽略每个视图的独特信息。虽然一些基于图的研究也考虑使用特定信息，但所采用的建模方法未排除特定组件的噪声影响。因此，我们提出了一种新颖的基于张量的多视图图学习框架，同时考虑一致性和特异性，有效消除噪声的影响。具体而言，我们在斯蒂费尔流形上计算相似距离以保留数据的内在属性。通过假设每个视图的学习邻居图包含一致部分、特定部分和噪声部分，我们为无噪声图融合制定了一种新的基于张量的目标图学习范式。由于张量奇异值分解（t-SVD）揭示高阶相关性的优点，该模型能够完全理解目标图。此外，我们推导了一种算法来解决优化问题。在六个数据集上的实验证明了我们方法的优越性。我们已经在 https://github.com/lshi91/CSTGL-Code 上发布了源代码。

提出一种新的多视角聚类框架，同时考虑一致性和特异性，有效消除噪声的影响。

使用张量奇异值分解（t-SVD）揭示高阶相关性，通过在 Stiefel 流形上计算相似距离来保留数据的内在属性，并通过将邻居图分解为一致部分、特定部分和噪声部分来建立目标图模型。

使用六个数据集进行了实验，结果表明该方法的优越性。研究团队已经在 https://github.com/lshi91/CSTGL-Code 上发布了源代码。

在多视角聚类领域中，已有一些基于图学习的研究，但大多数方法忽略了每个视角的独特信息，而本文提出的方法同时考虑了一致性和特异性，并有效消除了噪声的影响。