Key points are not available for this paper at this time.
由于其高计算复杂性，基于图的方法在大规模多视图聚类任务中的适用性有限。为了解决这一问题，许多加速算法，尤其是基于锚图的方法和基于指标学习的方法，已经被开发并取得了巨大的成功。然而，由于优化策略的限制，这些加速方法仍然需要将离散图切割问题近似为连续谱嵌入问题，并利用不同的离散化策略来获取离散样本类别。为了避免因近似和离散化造成的有效性和效率损失，我们建立了一种离散快速多视图锚图聚类（FMAGC）模型，该模型首先构建每个视图的锚图，然后通过直接解决离散多视图图切割问题生成离散聚类指标矩阵。由于基于梯度下降的方法难以求解该离散模型，我们提出了一种基于坐标下降的快速优化策略，具有线性复杂度，以在不将其近似为连续模型的情况下进行求解。在广泛使用的正常和大规模多视图数据集上的大量实验表明，与其他最先进的基线相比，FMAGC可以提高聚类的有效性和效率.
杨等人（星期二）研究了这个问题。