15、基于最优传输的协作多视图聚类框架

基于最优传输的协作多视图聚类框架

1. 引言

无监督聚类方法近年来越来越受欢迎，因为它们能够对未标记的数据进行分组，这对于人类来说是非常困难的。近年来，许多新的聚类算法不断涌现，现有的方法也得到了改进。然而，由于难以提出一种适用于所有数据类型的通用方法，这些技术各有其特点。每个聚类方法都有其创建聚类的目标偏差，因此不同的方法对同一数据可能产生截然不同的聚类结果，而且同一算法的结果也会因初始化或参数设置而异。

为了解决这个问题，一些方法建议利用不同的聚类结果，以充分发挥其潜在的多样性。多视图聚类就是这样一种强大的方法，它的目标是通过结合多视图特征的信息，形成相似主题的一致聚类，而不是像传统聚类方法那样仅使用单一特征集。这种方法的重要性在于特征的多样性，它不仅能确保一致的聚类，还能提供更好的解释。

另一方面，协作学习最近成为多模型聚类框架中颇具吸引力的方法之一。其主要思想是在不同模型之间交换信息，以在尊重每个模型机密性的前提下，优化提高局部质量。

本文旨在通过协作学习在视图之间创建先验交互，从而改进共识聚类。所提出的方法基于最优传输理论，提出了两种主要的共识聚类算法，通过协作步骤从每个视图的数据分布中学习改进的数据结构，然后通过聚合步骤得到质量更好的统一模型。

2. 相关工作

将多个模型结合起来的想法凸显了分布式数据的范式，其主要目标是在确保数据高质量和更好可视化的同时，获得全局数据集的统一视图。信息的融合必须遵循许多属性，以提高质量并避免丢失从模型中学到的知识。以下是需要检查的重要条件：
- 鲁棒性 ：组合模型的性能应优于单一聚类算法，具有更好的复杂度，避免过拟合。