华南理工大学学报(自然科学版)

作者：刘小兰, 徐宇鸿

单位：1.华南理工大学 数学学院，广东 广州 5106402.华南理工大学 计算机科学与工程学院，广东 广州 510006

关键词：缺失多视图聚类,锚点图,样本互补,相似矩阵融合,谱聚类

基金：国家社会科学基金项目(21BTJ069);广东省线上线下混合一流课程(粤教高函［2023］33号)

随着多视图数据在现实场景中得到广泛应用，如何处理缺失视图下的聚类问题已成为机器学习领域的重要挑战。传统锚点图聚类算法依赖完整实例构建锚点图，这导致其在高缺失率下因锚点不足难以表征数据结构，在低缺失率时又无法发挥锚点的优势。针对传统锚点图聚类算法中存在的锚点选择受限、权重分配僵化和计算复杂度高的问题，该文提出了一种基于样本互补锚点图的缺失多视图聚类算法（IMVC-SAC）。该算法首先设计跨视图锚点互补机制，通过在共有样本与视图特有样本中自适应选取锚点，以解决高缺失率下数据结构表征不足的问题；然后建立缺失模式感知的权重模型，依据样本的缺失模式与程度调整视图对相似矩阵的贡献度；最后利用双随机非负矩阵可分解特性，将谱聚类的时间复杂度从样本规模的立方阶复杂度优化至线性阶复杂度。在5个公开数据集上的实验结果表明，该算法的聚类性能优于目前主流算法，尤其在高缺失率下仍能保持较好的聚类效果，验证了其鲁棒性与有效性。

来源：2026年第2期

《华南理工大学学报(自然科学版)》期刊编辑部

查看华南理工大学学报(自然科学版)杂志2026年第2期