近日，数学与信息学院、软件学院王海燕、古万荣研究团队在计算机视觉领域的国际知名期刊IEEE Transactions on Multimedia（中科院一区Top期刊，影响因子9.9），围绕复杂多视图聚类任务，发表题为“One-step Anchor-guided Multi-view Clustering via Tensor-consistent Graph Factorization”的研究论文。古万荣副教授为文章第一作者，王海燕副教授为文章通讯作者，课题组硕士研究生张欣妤为第二作者。
多视图聚类通过整合来自多个来源的特征信息来提升聚类性能，能够更全面地揭示数据的内在结构，在图像分析、生物信息学等领域具有重要应用价值。但现实应用中，其计算复杂度随着数据量增长呈立方级增加，难以应用于大规模实际场景。
近年来提出的锚点图方法显著降低了计算复杂度。但是，现有方法大多采用随机采样或K-means聚类中心作为锚点，这种固定选择方式难以适应不同视图的数据分布特性。同时，这些方法通常将锚点图构建与聚类过程分离，需要额外的后处理步骤（如图切割或K-means聚类）来获取最终结果，这种分阶段处理容易导致误差累积和性能下降。
在多视图融合方面，现有方法缺乏对视图间高阶相关性的深入挖掘。然而，多视图数据间往往蕴含着丰富的互补信息，需要通过更有效的方式提取和融合这些信息，才能获得更准确的聚类结果。
针对这些问题，论文提出了一种高效的大规模多视图聚类模型(OATGF)。该框架首先从每个视图中学习最佳锚点集，后在构建的锚图上应用带有k-means的一步NMF分解，可直接生成聚类标签，从而避免后处理。此外，通过将多视图结构信息统一为张量并施加张量核范数正则化，用以捕获多个视图之间的高阶关系，并且抑制部分视图中的噪声信息，有助于稳定且提供高质量的多视图聚类过程。
同时，所提出的框架不需要手动调整超参数，增强了方法在实际应用场景中的适用性。在九个不同数据集上与近年最先进的(SOTA)多视图聚类技术进行了对比，实验结果表明，OATGF提供了卓越的稳健性和鲁棒性，验证了该框架在多视图聚类的有效性。
该项研究成果得到国家自然科学基金项目（62476102、62202176、62172399）、广东省基础与应用基础研究基金（2025A1515010245、2024A1515010133、2023A1515012885）等资助。
相关论文链接：https://ieeexplore.ieee.org/document/11664339
文图/数学与信息学院、软件学院
