加粗样式Reciprocal Multi-Layer Subspace Learning for Multi-View Clustering
1 摘要
文章提出的算法：用于多视图聚类的交互多层子空间学习算法。有两个主要组成部分：分层自表示层 Hierarchical Self-Representative Layers (HSRL)和反向编码网络Backward Encoding Networks (BEN)。
（1）HSRL：
构造与潜在表示相连接的互反多层子空间表示，以分层恢复高维数据所在的底层低维子空间。
（2）BEN：
探索不同视图之间的复杂关系，并隐式强制所有视图的子空间彼此一致且更可分离。
不同的视图共享一个公共的潜在的聚类结构，基于这个假设，文章将视图特定的子空间表示共同规范为一致的子空间表示，以增强不同视图的结构一致性。
2 研究方法—RMSL
A、研究框架
构造了与潜在表示层H链接的多层子空间交互表示，以分层恢复数据潜在的簇结构。即：多层子空间表示在联合框架中相互提高，反向编码网络BEN从公共表示H中重构视图特定的自我表示，使H能够灵活地综合多个视图的综合信息，反映数据点之间的内在关系。
特点：
采用反向编码网络BEN将多个特定视图的子空间{}表示编码为潜在表示H，这一点非常重要，因为子空间表示可以反映数据的潜在簇结构。