一貫性と特異性を持つマルチビューサブスペースクラスタリング

マルチビュークラスタリングは、データの複数のビューを活用する効果的な手法として広く注目されています。しかし、既存の多くのマルチビュークラスタリング手法は、一貫性の探求や異なるビューの多様性の向上を目的としています。本論文では、一貫性と特異性を共同で活用してサブスペース表現学習を行う新しいマルチビューサブスペースクラスタリング手法（CSMSC）を提案します。共通の一貫した表現と特定の表現のセットを使用してマルチビュー自己表現特性を定式化し、実世界のデータセットにより適合させます。具体的には、一貫性はすべてのビュー間の共通特性をモデル化し、特異性は各ビューの固有の違いを捉えます。さらに、非凸問題を最適化するために、凸緩和を導入し、対応するデータ表現を再構築するための交互最適化アルゴリズムを開発します。四つのベンチマークデータセットに対する実験評価は、提案したアプローチがいくつかの最先端技術と比較して優れた性能を達成することを示しています。