Clustering de gráficos multi-visión eficiente con preservación de estructura local y global

El clustering de gráficos multi-visión basado en anclajes (AMVGC) ha recibido abundante atención debido a su alta eficiencia y capacidad para capturar información estructural complementaria a través de múltiples vistas. Intuitivamente, un gráfico ancla de alta calidad juega un papel esencial en el éxito del AMVGC. Sin embargo, los métodos existentes de AMVGC solo consideran información de estructura única, es decir, estructura local o global, lo que proporciona información insuficiente para la tarea de aprendizaje. Para ser específicos, la estructura global sobredispersada lleva a que los anclajes aprendidos no logren representar bien la partición del clúster. En contraste, la estructura local con una medida de similitud inapropiada resulta en una asignación de anclaje potencialmente inexacta, lo que, en última instancia, conduce a un rendimiento de clustering subóptimo. Para abordar el problema, proponemos un nuevo marco de clustering de gráficos multi-visión basado en anclajes denominado Clustering de Gráficos Multi-Visión Eficiente con Preservación de Estructura Local y Global (EMVGC-LG). Específicamente, se diseña un marco unificado con una garantía teórica para capturar información local y global. Además, EMVGC-LG optimiza conjuntamente la construcción de anclajes y el aprendizaje de gráficos para mejorar la calidad del clustering. Además, EMVGC-LG hereda la complejidad lineal de los métodos existentes de AMVGC en relación con el número de muestras, lo que es económico en tiempo y escala bien con el tamaño de datos. Experimentos extensivos demuestran la efectividad y eficiencia de nuestro método propuesto.