Agrupamiento en subespacios de múltiples vistas regularizado por exclusividad-consistencia

El agrupamiento en subespacios de múltiples vistas tiene como objetivo particionar un conjunto de datos de múltiples fuentes en sus grupos subyacentes. Para mejorar el rendimiento del agrupamiento en múltiples vistas, se han desarrollado numerosos algoritmos de aprendizaje en subespacios en los últimos años, pero raramente se ha explotado la complementariedad de representación entre diferentes vistas, así como la consistencia de los indicadores entre las representaciones, y mucho menos considerándolos simultáneamente. En este artículo, proponemos un nuevo modelo de agrupamiento en subespacios de múltiples vistas que intenta aprovechar la información complementaria entre diferentes representaciones al introducir un nuevo término de exclusividad consciente de la posición. Mientras tanto, se emplea un término de consistencia para hacer que estas representaciones complementarias tengan un indicador común adicional. Formulamos las preocupaciones anteriores en un marco de optimización unificado. Se realizan experimentos en varios conjuntos de datos de referencia para revelar la efectividad de nuestro algoritmo en comparación con otros de última generación.