テンソルベースの適応型コンセンサスグラフ学習による多視点クラスタリング

多視点クラスタリングは、高次元データを処理する上での優れた性能により、近年注目を集めている。しかし、ほとんどの多視点クラスタリングモデルは、次のような制限に直面している。複数の視点間の共通表現やペアワイズ相関を強調し、高次相関を無視している。また、クラスター化プロセスにおいて、複数の視点の重みや特異値の事前情報が無視される。そのため、これらの問題に対処するために、テンソルベースの適応型コンセンサスグラフ学習（TACGL）モデルが提案されている。具体的には、複数の視点のすべての表現行列をスタックし、複数の視点間の高次接続を明らかにする表現テンソルを形成する。表現テンソルに加重テンソル核ノルムを課すことで、低ランクの特性を維持し、特異値の事前情報を発見する。グラフ学習の重みは、コンセンサスグラフ学習を通じて各類似性グラフに自動的に割り当てられ、統一されたグラフ行列が得られる。Laplacianランク制約を統一行列に課すことで、サンプルを所望の数のクラスターに分割するのを助ける。TACGLを解決するために、交互方向法（ADMM）に基づくアルゴリズムが設計されている。10のデータセットで実施された包括的な実験に基づくと、提案されたモデルは14の最先端モデルに対して大幅な利点を示していることが明らかである。