Multi-View Clustering via Semi-non-negative Tensor Factorization

要約

非負行列因子分解 (NMF) に基づくマルチビュー クラスタリング (MVC) とその変形は、クラスタリングの解釈可能性における利点により、近年大きな注目を集めています。
ただし、既存の NMF ベースのマルチビュー クラスタリング手法は、各ビュー データに対してそれぞれ NMF を実行し、ビュー間の影響を無視します。
したがって、ビュー内の空間構造とビュー間の補完的な情報を十分に活用できません。
この問題を解決するために、半非負テンソル分解 (Semi-NTF) を提示し、片側直交制約を使用した Semi-NTF に基づく新しいマルチビュー クラスタリングを開発します。
私たちのモデルは、ビューのアンカー グラフで構成される 3 次テンソルに対してセミ NTF を直接実行します。
したがって、私たちのモデルはビュー間の関係を直接考慮しています。
さらに、マルチビュー データのクラスター構造を特徴付け、ビュー間補完情報を活用する 3 次テンソルのランク近似として、テンソル Schatten p-ノルム正則化を使用します。
さらに、提案手法の最適化アルゴリズムを提供し、アルゴリズムが常に定常 KKT 点に収束することを数学的に証明します。
さまざまなベンチマークデータセットでの広範な実験により、提案された方法が満足のいくクラスタリングパフォーマンスを達成できることが示されています。

要約(オリジナル)

Multi-view clustering (MVC) based on non-negative matrix factorization (NMF) and its variants have received a huge amount of attention in recent years due to their advantages in clustering interpretability. However, existing NMF-based multi-view clustering methods perform NMF on each view data respectively and ignore the impact of between-view. Thus, they can’t well exploit the within-view spatial structure and between-view complementary information. To resolve this issue, we present semi-non-negative tensor factorization (Semi-NTF) and develop a novel multi-view clustering based on Semi-NTF with one-side orthogonal constraint. Our model directly performs Semi-NTF on the 3rd-order tensor which is composed of anchor graphs of views. Thus, our model directly considers the between-view relationship. Moreover, we use the tensor Schatten p-norm regularization as a rank approximation of the 3rd-order tensor which characterizes the cluster structure of multi-view data and exploits the between-view complementary information. In addition, we provide an optimization algorithm for the proposed method and prove mathematically that the algorithm always converges to the stationary KKT point. Extensive experiments on various benchmark datasets indicate that our proposed method is able to achieve satisfactory clustering performance.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google