李杏峰，黄玉清*，任珍文，李毅红

（1.西南科技大学信息工程学院，四川绵阳 621010；2.西南科技大学国防科技学院，四川绵阳 621010）

0 引言

多视图聚类是一种重要的学习模式，因为它能够整合不同视图之间的一致和互补信息。现有的多视图聚类方法一般分为五类：协同训练聚类［1］、图聚类［2］、子空间聚类［3］、多核学习聚类［4］和深度学习聚类［5］。其中，子空间聚类可以看作是图聚类的一种特殊情况。

对于基于图的多视图聚类，其目的通常侧重于如何学习一个高质量的关系矩阵（关系图），随后谱算法或图切算法作用于该图来获得最终聚类结果。总的来说，主流的图学习技术通常可分为以下四种：1）构造一个预定义的相似图作为关系图［6］；2）自适应邻域图学习（Adaptive Neighborhood Graph Learning，ANGL），以欧氏距离为尺度，它能自适应地构建一个关系矩阵［7-8］；3）自表示学习（Self-Expression Learning，SEL）［9-10］，它通过所有数据点的线性组合来重构每个数据点，并生成一个系数矩阵来构造关系图；4）矩阵非负分解（Non-negative Matrix Factorization，NMF）［11］或概念分解（Concept Factorization，CF）［12］，它们旨在学习原始数据的一种新的表示形式，然后利用前三种方法构造关系图。本文主要研究基于ANGL的多视图算法。

目前最先进的基于ANGL 的多视图聚类算法主要有：自加权多视图学习（Auto-weighted Multiple Graph Learning，AMGL）算法［13］、自适应邻域多视图学习（Multi-view Learning with Adaptive Neighbours，MLAN）算法［14］、基于图学习的多视图聚类（Multi-View clustering with Graph Learning，MVGL）算法［15］、自权重多视图聚类（Self-weighted Multi-view Clustering，SwMC）算法［16］、鲁棒自权重多视图聚类（Robust Auto-weighted Multi-view Clustering，RAMC）算法［17］和基于图的多视图聚类（Graph-based Multi-view Clustering，GMC）算法［18］。AMGL 先用多个原始数据学习多个关系图，然后在不引入附加参数的情况下，根据各个视图重要性分配相应的权值来直接得到共识聚类标签矩阵。……