Schnelle Multiview-Anker-Graph-Clustering

Aufgrund ihrer hohen rechnerischen Komplexität haben graphenbasierte Methoden eine begrenzte Anwendbarkeit bei großangelegten Multiview-Clustering-Aufgaben. Um dieses Problem zu beheben, wurden viele beschleunigte Algorithmen, insbesondere ankergraphbasierte Methoden und indikatorenbasierte Lernmethoden, entwickelt und waren ein großer Erfolg. Dennoch müssen diese beschleunigten Methoden aufgrund der Einschränkungen der Optimierungsstrategie weiterhin das diskrete Graph-Cutting-Problem auf ein kontinuierliches spektrales Einbettungsproblem approximieren und unterschiedliche Diskretisierungsstrategien nutzen, um diskrete Stichprobenkategorien zu erhalten. Um den Verlust an Effektivität und Effizienz, der durch die Approximation und Diskretisierung verursacht wird, zu vermeiden, etablieren wir ein diskretes schnelles Multiview-Anker-Graph-Clustering (FMAGC)-Modell, das zunächst einen Ankergraphen für jede Sicht erstellt und dann eine diskrete Cluster-Indikator-Matrix generiert, indem es das diskrete Multiview-Graph-Cutting-Problem direkt löst. Da die gradientenabstiegbasierte Methode es schwierig macht, dieses diskrete Modell zu lösen, schlagen wir eine schnelle koordinatenabstiegbasierte Optimierungsstrategie mit linearer Komplexität vor, um es zu lösen, ohne es als kontinuierlich zu approximieren. Umfangreiche Experimente an weit verbreiteten normalen und großangelegten Multiview-Datensätzen zeigen, dass FMAGC die Clustering-Effektivität und -Effizienz im Vergleich zu anderen state-of-the-art Baselines verbessern kann.