[论文解读] A Survey on Multi-View Clustering

Guoqing Chao, Shiliang Sun+1 more|arXiv (Cornell University)|Dec 18, 2017

Face and Expression Recognition参考文献 134被引用 119

一句话总结

本综述评估并建立多视图聚类（MVC）的分类法，将生成式方法与判别式方法分开，并详细介绍五类判别式方法、与相关范式的关系、应用以及未解决的问题。

ABSTRACT

With advances in information acquisition technologies, multi-view data become ubiquitous. Multi-view learning has thus become more and more popular in machine learning and data mining fields. Multi-view unsupervised or semi-supervised learning, such as co-training, co-regularization has gained considerable attention. Although recently, multi-view clustering (MVC) methods have been developed rapidly, there has not been a survey to summarize and analyze the current progress. Therefore, this paper reviews the common strategies for combining multiple views of data and based on this summary we propose a novel taxonomy of the MVC approaches. We further discuss the relationships between MVC and multi-view representation, ensemble clustering, multi-task clustering, multi-view supervised and semi-supervised learning. Several representative real-world applications are elaborated. To promote future development of MVC, we envision several open problems that may require further investigation and thorough examination.

研究动机与目标

• 总结多视图聚类（MVC）及其动机的现状。
• 提出一个分类法，将 MVC 方法组织为有意义的类别。
• 讨论 MVC 与相关学习范式之间的关系（例如表示学习、集成聚类、多任务学习）。
• 突出跨领域的代表性应用并识别未来工作中的开放问题。

提出的方法

• 将 MVC 方法分为生成式（基于模型）和判别式（基于相似性）两类。
• 在判别式 MVC 中，进一步按照多视图如何结合分为五类：公共特征向量矩阵、公共系数矩阵、公共指示矩阵、直接视图组合、以及投影后视图组合。
• 描述代表性技术，如多视图谱聚类、多视图子空间聚类、多视图 NMF、多核聚类，以及基于 CCA 的方法。
• 解释每一类如何构建并优化目标函数，以在各视图之间实现一致的聚类。
• 讨论生成式 MVC 中的混合模型与 EM 的使用，并解释 CMMs 和使用跨视图 KL 发散最小化的多视图扩展。

实验结果

研究问题

• RQ1 在 MVC 中有哪些将多个视图结合的主要策略？
• RQ2 MVC 如何被归类为连贯的类别，在每个类别中有哪些代表性方法？
• RQ3 MVC 与相关领域如多视图表示、集成聚类和多任务学习之间的关系是什么？
• RQ4 哪些应用和未解决问题是当前 MVC 领域的特征？

主要发现

• MVC 方法在很大程度上是判别式的，具有明确的分类法，包括五类视图组合。
• 生成式 MVC 依赖混合模型和 EM，包括多视图 CMM 扩展，以在不同视图中实现聚类。
• MVC 与多视图表示、集成聚类、多任务聚类以及多视图有监督/半监督学习之间存在强联系。
• MVC 已被应用于计算机视觉、自然语言处理、社交多媒体、生物信息学和健康信息学等领域。
• 该综述指出开放问题，以指导未来的 MVC 发展。