在大规模多视角数据集中，我们提出了一种高效有效的多视角子空间聚类深度框架 (E$^2$LMVSC)，通过提取统一的表示来增强聚类性能。

Oct, 2023

本文提出了一种基于马尔科夫链的谱聚类方法，并利用一种新颖的本质张量学习方法探索了多视角表示的高阶相关性，通过 Tensor Singular Value Decomposition 基于张量核范数以保持本质张量的低秩性，同时减少了计算复杂性，我们还使用张量旋转运算符进一步研究不同视图之间的关系，该方法可以通过交替方向乘子法（ADMM）高效优化，实验结果表明在六个具有不同应用的真实世界数据集上，我们的方法优于其他最先进的方法。

Jul, 2018

本文提出 t-SVD 基于多视角数据的子空间聚类方法，通过引入张量代数、低秩张量约束和增广 Lagrange 方法来探索多视角数据中的高阶相关性和互补信息。经过广泛实验证明，该方法在多个挑战性图像数据集上表现卓越。

Oct, 2016

提出一种线性复杂度的大规模多视图子空间聚类算法，通过锚图的概念学习每个视图的较小的图形，将它们集成在一起并在较小的图形上实现谱聚类，该方法验证有效性和有效性。

Nov, 2019

本文提出一种新颖的基于张量的图学习框架，同时考虑了多视图聚类的一致性和特异性，通过在斯蒂费尔流形上计算相似性距离，解决了现有方法中使用欧氏距离度量相似性的不足，并通过张量奇异值分解实现对目标图的全面理解。实验证明，该方法在真实数据集上的性能优于一些现有的多视图聚类方法。

Mar, 2024

通过在两个不同的空间中进行共训练，提出了一种名为 DSCMC 的新型多视图聚类模型，以增强聚类性能。我们的方法旨在捕捉不同视图中数据点之间的内在关系和结构，并将信息从多个视图映射到共享的潜在空间。通过构建潜在一致的锚图和特征转换来实现共同优化，从而生成具有判别性能力的锚图。我们的算法具有近似线性的计算复杂度，在大规模数据集上应用非常成功。通过实验证实，与现有方法相比，我们的方法显著降低了计算复杂度并获得了更好的聚类性能。

Jan, 2024

本文提出了一种基于锚图、伪标签和对比学习的深度多视图子空间聚类方法，通过独立学习每个视图的特征并在集成锚图上执行谱聚类来解决现有方法存在的问题，实验结果表明其在真实世界数据集上具有优越的聚类性能。

May, 2023

基于过渡概率的一步多视角聚类方法（OSMVC-TP）为大规模多视角聚类算法引入了概率方法，利用锚图从样本到锚点的过渡概率来直接学习锚点到类别的过渡概率和样本到类别的过渡概率，从而获得样本和锚点的软标签矩阵，增强了聚类的可解释性，并通过在软标签的张量上应用 Schatten p - 范数约束，保持了不同视角间标签的一致性，进一步有效利用了视角间的互补信息。广泛的实验已经证实了 OSMVC-TP 的有效性和稳健性。

Mar, 2024

基于层次特征下降的锚点多视角子空间聚类方法 (MVSC-HFD) 通过类似性空间 (STAGE 2) 中的统一采样策略，以线性时间代价进一步降低计算复杂度，并通过子空间聚类 (STAGE 3) 来共同学习表示，从而在公共基准数据集上广泛实验表明，我们提出的模型始终优于现有技术的最新成果。

Oct, 2023

基于锚点图的多视角聚类方法备受关注，为避免后处理，现有的基于锚点图的方法学习到具有连通分量的二部图，然而，这些方法对参数有很高的要求，且在某些情况下可能无法获得具有清晰连通分量的二部图。为了解决这个问题，我们提出了一种基于张量投影的标签学习方法（LLMTP），通过正交投影矩阵将锚点图投影到标签空间中直接得到聚类标签。为了充分利用多视角数据的空间结构信息，我们将矩阵投影转化为张量投影，以便在不同视角的投影中可以充分利用视角之间的空间结构信息。此外，引入了张量 Schatten p - 范数正则化，使不同视角的聚类标签矩阵尽可能一致。通过大量实验证明了该方法的有效性。

Feb, 2024