鲁棒联合非负矩阵分解的多视图嵌入学习

实际数据通常由多种模式或不同视图组成,这两种模式或视图相互提供补充和共识性信息。 探索这些信息对于多视图数据聚类和分类很重要。 多视图嵌入是一种用于多视图数据的有效方法,它揭示了不同视图共享的共同潜在结构。 先前的研究假设每个视图都是干净的,或者至少没有被噪音污染。 但是,在实际任务中,每个视图通常都会受到噪声的干扰,甚至某些视图会部分丢失,这使得传统的多视图嵌入算法无法解决这些问题。 在本文中,我们通过鲁棒联合非负矩阵分解提出了一种新颖的多视图嵌入算法。 我们利用熵诱导的度量来测量每个视图的重建误差,通过为不同的条目分配不同的权重,该误差对噪声具有鲁棒性。 为了揭示不同视图共享的公共子空间,我们定义了一个共识矩阵子空间来约束不同视图的分歧。 对于非凸目标函数,我们将其表述为半二次最小化,并通过更新方案有效地对其进行求解。 实验结果表明了其在多视图聚类中的有效性和鲁棒性。