多视图聚类(multi-view clustering)简介

多视图聚类

目前大概有以下几种：

1. 多视图k-means聚类
2. 多视图谱聚类
3. 多视图图聚类
4. 多视图子空间聚类 (multi-view subspace clustering)
5. 深度学习多视图聚类 (deep multi-view clustering)

其中多视图子空间聚类具有不错的数据表征能力。
对于多视图子空间聚类而言，又能细分成以下几个小类：
(1) 自我表示学习
(2) 矩阵分解
(3) 共享视图锚点学习

这几个小类的出现是符合时间顺序的。
由于自我表示学习算法在创建图(graph construction)与谱嵌入(spectral embedding)过程中有着O(n^3)甚至更高的复杂度，其难于在大尺度的数据上进行应用。
此时，人们就引入了矩阵分解的方法，将输入分解为基本矩阵和低秩的系数矩阵，同时与子空间方法进行融合。

但是，这种矩阵分解的方法存在着缺陷。即不同的视图对应着不同的基本矩阵，导致产生的子空间存在着内部不一致性。

此时，共享视图锚点学习就被提出了。首先，如果我们需要k个锚点，算法的时间复杂度就由O(nnn)变更为O(nkk)。
如果k远远小于n的话，那么算法的复杂度就大大减少了。
其次，k个被选中的锚点被多个视图共有可以保证融合的子空间的一致性，形成多个视图间的信息互补。