大规模低质量多视图聚类算法及其应用研究

Multi-view clustering algorithms aim to improve the clustering performance by optimally integrating different views. However, existing multi-view clustering algorithms: 1) donot well consider the correlation between modals; 2) cannot handle low quality data where some views are absent or noise; 3) cannot efficiently deal with large scale clustering problems. To address these issues, this project intends to focus on the research on large scale low quality multi-view clustering algorithms and their applications, aiming to enable their ability in dealing with these applications. Its research contents include: 1) multi-view clustering algorithms with matrix-induced regularization; 2) clustering algorithms with absent views; 3) clustering algorithms with noisy views; 4) large scale multi-view clustering algorithms. The theoretical analysis and implementations in this project can promote the development of theoretical research on multi-view clustering algorithms, help to remove the application barriers in the presence of large scale absent or noisy modals, and further broaden its application prospects. Some preliminary research results has been published at IJCV, IEEE TMM, IEEE TNNLS, IEEE TIP, PR, ICCV, AAAI, IJCAI, which has laid a solid foundation for the research work of this project.

多视图聚类算法有效地集成来自不同视图信息以达到更好的聚类性能。然而，现有多视图聚类算法：1）没有充分考虑视图间的相关性；2）不能有效处理低质量多视图数据，即含有缺失或噪声视图；3）不能高效地处理大规模聚类问题。为解决上述难题，本项目拟开展大规模低质量多视图聚类算法及应用研究，以增强多视图聚类算法在处理这些应用上的能力。其主要研究内容包括：1）矩阵范数正则化多视图聚类算法；2）缺失多视图聚类算法；3）噪声多视图聚类算法；4）大规模多视图聚类算法。本项目关于大规模低质量多视图聚类算法的理论分析与算法实现，可推动多视图聚类算法的理论发展，有助于清除它在低质量视图数据情形下的应用障碍，并进一步扩大其应用前景。部分前期已发表于IJCV、IEEE TMM、IEEE TNNLS、IEEE TIP、PR等国际著名期刊及ICCV、AAAI、IJCAI等国际顶级会议的研究成果为本项目的顺利展开奠定了坚实基础。

多视图聚类算法有效地集成来自不同视图信息以达到更好的聚类性能。然而，现有多视图聚类算法：1）没有充分考虑视图间的相关性；2）不能有效处理低质量多视图数据，即含有缺失或噪声视图；3）不能高效地处理大规模聚类问题。为解决上述难题，本项目拟开展大规模低质量多视图聚类算法及应用研究，以提升多视图聚类算法在实际应用中的适用效果。其主要研究内容包括：1）矩阵范数正则化多视图聚类算法；2）缺失多视图聚类算法；3）噪声多视图聚类算法；4）大规模多视图聚类算法。本项目关于大规模低质量多视图聚类算法的理论分析与算法实现，取得了诸多有价值的成果。主要包括：针对非完整多视图聚类问题，提出一种快速高效的非完整多视图聚类算法；针对现有多核聚类算法无法有效地处理基核矩阵中部分行列信息有缺失的问题，提出了两种基于自适应动态填充的缺失多核聚类算法；针对数据中噪声特征对异常检测造成负面影响的问题，提出一种基于嵌入式特征选择的异常检测集成框架。所提新方法有的从理论上证明了其优越的性能，更多的通过在公认数据集上与已有代表业界水平的方法的充分比较证实了其突出表现。我们的研究涉及多视图聚类的基本概念、基本理论和基本方法，丰富了有关基本方法的体系，解决了低质量多视图聚类领域的若干问题，促进了有关求解算法的应用，具有重要的科学意义和广阔的应用前景。研究期间共发表论文34篇，有关成果已发表于IEEE TPAMI、IEEE TNNLS、IEEE TIP等国际著名期刊及ICML、ICCV、AAAI、IJCAI等国际顶级会议，获国内外同行广泛引用和高度评价，并被进一步发展。项目的研究成果已部分应用于医学图像分割、目标/图像/视频检索、视频异常检测等领域。我们的许多代码都公布在网上供同行免费使用，获他们的充分认可，颇具社会效益。