[PED03]Partial Multi-view Subspace Clustering

Partial Multi-view Subspace Clustering

---

来源：MM2018
作者：Nan Xu, Yangqing Guo…(Dalian University of Technology)

缺失多视图论文汇总：https://github.com/Jeaninezpp/Incomplete-multi-view-clustering

一句话概括

从原始数据中学习潜在表示，利用潜在表示的自表达得到子空间表示。

论文摘要

missing data 和 partial data在实际任务中非常常见。本文提出一种Partial Multi-view Subspace Clustering (PMSC)来解决不完全多视图问题。

关键词

Partial multi-view data；子空间聚类；潜在空间；子空间结构。

Introduction

• 当数据在某个视图有缺失的时候，常见的两种处理方式为：
  • 删除有缺失的数据。
    • 缺点：有缺失数据的样本无法聚类。
  • 填充缺失的信息。
    • 缺点：不能实现很好的性能。
• Existing methods：
  • Li et al.[7] ：开创性工作。利用NMF将缺失数据投影到一个潜在空间。
    • 两个视图、表示要求非负。
  • Wang et al. [18]：学习了哈希代码，保持了不同视图之间的一致性和同一视图内的相似性。
  • Yin et al. [23]：提出学习投影矩阵和包含标签信息的潜在表示。
    • 详细介绍：Incomplete multi-view clustering via subspace learning
  • Shao et al.[16]：[7]的扩展，加权NMF，$L_{21}$正则化。填充缺失、给缺失样本小的权重。
  • Zhao et al. [29]：增加了一个图拉普拉斯项来探索局部多视图数据的紧凑全局结构。
  • Zhap et al. [30]：为了保持不同视图之间的相似结构，作者提出同时学习统一稀疏编码和相似诱导概率邻域。
  • Yin et al. [24]：引入子空间学习框架，直接优化共享类指标矩阵。
    • 详细介绍：Unified subspace learning for incomplete and unlabeled multi-view data
• 之前的方法忽略了多视图数据的子空间结构。利用自表达来学习子空间结构对于缺失数据来说很困难，因为每个视图都有缺失，可能无法全面的表示数据本身的结构。
• 提出 Partial Multi-view Subspace Clustering (PMSC)方法

方法

首先将原始数据投影到k维的子空间，得到潜在表示H。然后利用H的自表达得到子空间表示Z。

然后用Z去做谱聚类？（没有看到后续的描述）

优化

(ALM)

---

• 优点：
  • 子空间表示可以揭示原始数据中嵌入的底层子空间结构。
  • 子空间聚类常常会被原始数据的质量所影响，我们从潜在表示中学习子空间表示而不是从原始数据中学习，使方法更加鲁棒。
• 缺点：