ترکیب چند گراف برای خوشه بندی طیفی چند نمایی

مجموعه ای از الگوریتم های خوشه بندی چند نمایه برای مقابله با داده های چند نمایی رایج توسعه داده شده است. در میان آنها، روش های مبتنی بر خوشه بندی طیفی اخیرا توجه زیادی را به خود جلب کرده و نتایج امیدوارکننده ای را نشان داده اند. با وجود پیشرفت، هنوز دو سوال اساسی وجود دارد که تا به امروز بی پاسخ مانده است. اول، نحوه ترکیب نماهای مختلف در یک نمودار بیشتر اوقات، شباهت ها بین نمونه ها ممکن است با دیدگاه های مختلف به طور متفاوتی نشان داده شود. بسیاری از الگوریتم های موجود یا به سادگی میانگین چند نما را می گیرند یا فقط یک نمودار مشترک را یاد می گیرند. این رویکردهای ساده ساختارهای منیفولد محلی انعطاف پذیر همه نماها را در نظر نمی گیرند. از این رو، اطلاعات ناهمگن غنی به طور کامل مورد بهره برداری قرار نمی گیرد. دوم، نحوه یادگیری ساختار خوشه ای صریح. اکثر روش های موجود به کیفیت نمودارها توجهی ندارند و یادگیری گراف و خوشه بندی طیفی را جداگانه انجام می دهند. این نمودارهای غیرقابل اعتماد ممکن است منجر به نتایج خوشه بندی غیربهینه شود. برای پر کردن این شکاف ها، در این مقاله، ما یک مدل خوشه بندی طیفی چند نمای جدید را پیشنهاد می کنیم که همجوشی نمودار و خوشه بندی طیفی را به طور همزمان انجام می دهد. گراف تلفیقی به نمودار اصلی هر نمای جداگانه تقریب می زند اما ساختار خوشه ای صریح را حفظ می کند. آزمایش بر روی چهار مجموعه داده پرکاربرد برتری روش پیشنهادی را تایید می کند.