鲁棒自加权的多视图子空间聚类

随着收集和存储数据的能力不断提高,真实数据通常由不同的表现形式(视图)组成.因此多视图学习在机器学习与模式识别领域中扮演着重要的角色.近年来,多种多视图学习方法被提出并应用于不同的实际场景中.然而,在目标函数中大部分数据点存在平方残差,少数误差较大的离群点很容易令目标函数失效,因此如何处理冗余数据是多视图学习面临的重要挑战.为解决上述问题,提出一种鲁棒自加权的多视图子空间聚类模型.该模型利用Frobenius范数来处理数据的平方误差的同时利用?1范数来处理数据的离群点,有效地平衡了离群点与普通数据点对性能的影响.此外,与通过引入超参数来衡量不同视图对模型的影响的传统方法不同,该模型自动学习了每个视图的权重.由于该模型是一个非光滑非凸问题,很难直接求解,设计了一个有效的算法并分析了算法的收敛性和计算复杂度.相比于传统的多视图子空间聚类算法,在多个多视图数据集上的实验结果表明了算法的有效性.