weixin_42705436的博客

先前基于图的聚类方法存在不足之处：没有从这两个方面进行研究①方法的泛化②不同图度量对聚类结果的影响本文扩展了这个方法，首先提出了一个通用的基于图的多视图聚类系统（GBS），并在框架内讨论和评估了不同的图度量对多视图聚类性能的影响。低秩张量限制的多视图子空间聚类方法（LR-MSC）。这个方法是属于多视图子空间类别。该方法是将从不同视图中学习到的子空间表示矩阵看成一个张量，张量可以捕获多视图数据之间的高阶相关性。再对这个张量施加低秩约束。............

最近看了一篇多视图聚类的论文，论文代码使用matlab，在matlab中求矩阵的逆是使用了广义的逆pinv，对此很疑惑，整理资料供自己查阅。

Abstract本文提出一种低秩张量限制的多视图子空间聚类方法（LR-MSC）。这个方法是属于多视图子空间类别。该方法是将从不同视图中学习到的子空间表示矩阵看成一个张量，张量可以捕获多视图数据之间的高阶相关性。再对这个张量施加低秩约束，这个约束可以优雅的建模不同视图之间的交叉信息，从而有效的减少子空间表示的冗余，提高聚类的精确度。通过增广的拉格朗日交替方向乘子法(AL-ADM) 有效的解决优化问题，在各种实验数据集上证明了该方法的有效性。...

Abstract文章提出一种基于张量的多视图子空间表示学习的方法，顾名思义，该方法属于基于子空间学习的自表示（self-epresentation based subspace learning）的类别。这个方法是将学习到的来自不同视图的子空间表示矩阵视为一个低阶张量，这样可以有效的建模多视图数据的高阶相关性。为了结合先验信息（prior information），设计了一个约束矩阵在统一框架内指导子空间表示学习。文章采用低秩约束的子空间表示张量巧妙的建立了来自不同视图之间的互补信息，减少子空间表示的冗余