Efficient Multi-view Clustering via Unified and Discrete Bipartite Graph Learning

要約

以前のグラフベースのマルチビュー クラスタリング アルゴリズムは大きな進歩を遂げましたが、それらのほとんどは依然として 3 つの制限に直面しています。
第 1 に、計算が非常に複雑になることが多く、大規模なシナリオでのアプリケーションが制限されます。
第二に、彼らは通常、シングルビューレベルまたはビューコンセンサスレベルでグラフ学習を実行しますが、シングルビューグラフとコンセンサスグラフの共同学習の可能性を無視することがよくあります。
第三に、それらの多くは、スペクトル埋め込みの離散化のために k-means に依存しています。これには、離散クラスター構造を持つグラフを直接学習する機能がありません。
これに照らして、この論文では、統合された離散二部グラフ学習 (UDBGL) による効率的なマルチビュー クラスタリング アプローチを紹介します。
具体的には、アンカーベースの部分空間学習が組み込まれて、複数のビューからビュー固有の 2 部グラフを学習し、その上で 2 部グラフ融合を利用して、適応重み付け学習を使用してビュー – コンセンサス 2 部グラフを学習します。
さらに、ラプラシアン ランク制約は、融合 2 部グラフが離散クラスター構造 (特定の数の連結成分を持つ) を持つことを保証するために課されます。
ビュー固有の 2 部グラフ学習、ビュー コンセンサス 2 部グラフ学習、および離散クラスター構造学習を統一された目的関数に同時に定式化することにより、効率的な最小化アルゴリズムが設計され、この最適化問題に取り組み、離散クラスタリング ソリューションを直接実現します。
追加のパーティショニングを必要とせずに、特にデータ サイズの線形時間の複雑さを持ちます。
さまざまなマルチビュー データセットでの実験は、UDBGL アプローチの堅牢性と効率性を示しています。
コードは https://github.com/huangdonghere/UDBGL で入手できます。

要約(オリジナル)

Although previous graph-based multi-view clustering algorithms have gained significant progress, most of them are still faced with three limitations. First, they often suffer from high computational complexity, which restricts their applications in large-scale scenarios. Second, they usually perform graph learning either at the single-view level or at the view-consensus level, but often neglect the possibility of the joint learning of single-view and consensus graphs. Third, many of them rely on the k-means for discretization of the spectral embeddings, which lack the ability to directly learn the graph with discrete cluster structure. In light of this, this paper presents an efficient multi-view clustering approach via unified and discrete bipartite graph learning (UDBGL). Specifically, the anchor-based subspace learning is incorporated to learn the view-specific bipartite graphs from multiple views, upon which the bipartite graph fusion is leveraged to learn a view-consensus bipartite graph with adaptive weight learning. Further, the Laplacian rank constraint is imposed to ensure that the fused bipartite graph has discrete cluster structures (with a specific number of connected components). By simultaneously formulating the view-specific bipartite graph learning, the view-consensus bipartite graph learning, and the discrete cluster structure learning into a unified objective function, an efficient minimization algorithm is then designed to tackle this optimization problem and directly achieve a discrete clustering solution without requiring additional partitioning, which notably has linear time complexity in data size. Experiments on a variety of multi-view datasets demonstrate the robustness and efficiency of our UDBGL approach. The code is available at https://github.com/huangdonghere/UDBGL.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google