提出了在低秩张量空间中采用超拉普拉斯正则化概念分解（HLRCF）进行多视角聚类，通过采取概念分解来探索每个视图的潜在簇表示，并赋予超图拉普拉斯正则化能力抽取潜在空间中的非线性局部结构。通过开发自权重张量Schatten p范数来约束由所有簇表示组成的张量，可以解决不同张量奇异值之间的分布不均问题。在八个基准数据集上的实验结果表明，HLRCF在多视角方法中表现出较高的性能。

Apr, 2023

本文提出了一种嵌套的矩阵张量模型，用于解决具有多视角的聚类问题，并在理论上证明该模型的最佳秩一张量逼近方法具有更好的精度。

May, 2023

通过设计一种统一框架，EMVGC-LG，能同时捕获局部和全局信息，优化了聚类质量，提高了多视图图聚类的效率。

Aug, 2023

通过引入一种新颖的名为“Consensus Graph-Based Multi-View Clustering Method Using Low-Rank Non-Convex Norm”（CGMVC-NC）的多视图聚类技术，该研究提出了一种用于多视图聚类的新技术。该方法利用多视图数据张量的结构特征，引入非凸张量范数来确定这些视图之间的相关性，相对于传统方法，这种方法在多个基准数据集上展现出卓越的聚类准确性。尽管所使用的张量范数具有非凸性，但所提出的方法仍然可以通过现有算法进行高效优化。该方法为多视图数据分析提供了有价值的工具，并有潜力提高我们对各个领域中复杂系统的理解。进一步的研究可以探索该方法在其他类型的数据上的应用，并将其扩展到其他机器学习任务。

Dec, 2023

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

通过学习锚图并消除聚类中心初始化的必要性，我们引入了一种名为基于锚图因子分解的无锚点聚类（AFCAGF）的新颖方法，它通过计算样本之间的成对距离来实现。采用此方法，我们改进了模糊k均值聚类算法（FKM），并引入了一种新的流形学习技术，消除了初始化聚类中心的需要。此外，我们将FKM中聚类中心和样本之间的成员矩阵概念发展为包含多个锚点和样本的锚图。在该锚图上采用非负矩阵分解（NMF）可以直接导出聚类标签，从而消除了更多后处理步骤的要求。通过交替优化算法实现所提出的方法，确保收敛。对各种真实数据集进行的实证评估突显了我们的算法相对于传统方法的卓越功效。

Feb, 2024

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

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

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

本研究解决了现有多视角聚类方法在计算成本高和锚点判别性不足的问题。提出的判别性锚点学习方法，通过学习视角特定的特征表示并基于这些表示构建锚点，从而提高了共享锚点图的质量。实验结果展示了该方法在多种数据集上的有效性和高效性。

Sep, 2024