论文阅读：Deep Multi-View Subspace Clustering with Anchor Graph

论文地址：Deep Multi-view Subspace Clustering with Anchor Graph (ijcai.org)

代码地址：

摘要

深度多视图子空间聚类（Deep Multi-View Subspace Clustering，DMVSC）近年来因其卓越的性能受到越来越多的关注。然而，现有的DMVSC方法仍存在两个问题：

（1）主要集中于使用自编码器对数据进行非线性嵌入，而自编码器通常很少考虑聚类目标，这可能导致嵌入对于聚类来说并非最优；

（2）现有方法通常具有二次甚至三次复杂度，这使得处理大规模数据具有较大挑战。

为了解决这些问题，本文提出了一种基于锚点图的全新深度多视图子空间聚类方法（DMCAG）。具体来说，DMCAG首先为每个视图独立学习嵌入特征，并利用这些特征获取子空间表示。为显著降低复杂度，我们为每个视图构建一个小规模的锚点图。随后，在集成的锚点图上执行谱聚类以获得伪标签。为克服次优嵌入特征带来的负面影响，我们利用伪标签对嵌入过程进行优化，使其更适合聚类任务。伪标签和嵌入特征交替更新。此外，我们基于对比学习设计了一种保持标签一致性的策略，以提升聚类性能。在真实数据集上的实验研究表明，本文方法在聚类性能上优于其他最先进的方法。

引言

子空间聚类经过多年的研究，假设数据点来自低维子空间，并且可以表示为其他数据点的线性组合。特别是，稀疏子空间聚类（SSC）[Elhamifar和Vidal，2013]展示了其在为来自同一子空间的点找到稀疏表示方面的能力。在获得子空间表示后，通常使用谱聚类来获取最终的聚类结果。另一方面，低秩子空间分割方法在[Liu等，2012]中被提出，用于找到低秩子空间表示。尽管已有一些最先进的性能成果，但大多数现有方法仅集中于单视图聚类任务。在许多现实应用中，随着数据的指数增长，数据的描述逐渐从单一来源扩展到多个来源。例如，一个视频包含文本、图像和音频。一段文本可以翻译成多种语言，场景也可以从不同的角度进行描述。这些不同的视图往往包含互补信息。充分利用多视图之间的互补性和一致性信息有望提升聚类性能。

考虑到多视图数据所带来的信息多样性，多视图子空间聚类（MVSC）的研究最近引起了越来越多的关注。MVSC的目标是通过学习多视图数据的融合表示，寻找到一个统一的子空间，然后在相应的子空间中分离数据。在文献中，已经提出了许多MVSC方法[Zhang等，2015；Luo等，2018；Li等，2019；Wang等，2019；Zheng等，2020；Liu等，2021；Si等，2022]。然而，现有方法的一个主要弱点是其高时间和空间复杂度，通常在样本数量n上是二次或三次复杂度。最近，一些基于锚点的多视图子空间聚类方法[Chen和Cai，2011；Sun等，2021；Kang等，2020；Wang等，2022；Liu等，2022]得到了发展，这些方法能够在显著减少存储和计算时间的同时，取得良好的聚类性能。通常，锚点图是等权重的，并融合为共识图，然后进行谱聚类以获得聚类结果。

另一方面，受到深度神经网络（DNN）的启发，许多深度多视图子空间聚类（DMVSC）方法被提出[Peng等，2020；Wang等，2020；Kheirandishfard等，2020；Sun等，2019