多视图子空间聚类模型（Multi-view Subspace Clustering, MVSC）是一种处理多源异构数据的先进聚类技术。

它基于子空间聚类理论，旨在从多个不同的视图中发现共同的潜在结构，以更准确地进行数据分组。

MVSC模型的核心思想是在每个视图下寻找最佳的低维子空间表示，然后通过某种融合策略将这些表示集成起来，以获得更全面和一致的聚类结果。

MVSC算法的主要步骤和公式

1. 子空间学习

在每个视图下，学习一个低维子空间，以表示该视图下的数据。

这通常涉及到求解一个自表示问题，即数据点可以由同一子空间内的其他点线性组合而成。

• 公式：对于视图 $v$，寻找系数矩阵 $C_v$，使得
  $$X_v\approx X_v{C}_v$$
  其中

• $X_v$ 是第 $v$ 个视图的数据矩阵

• $C_v$ 是系数矩阵，它表示数据点在子空间内的表示。

• 目标函数：通常，目标是最小化重构误差和正则化项的和，例如
  $$\underset{C_v}{\min }\Vert X_v-X_v{C}_v{\Vert }_F^2+\lambda \Omega (C_v)$$
  其中

• $\Vert \cdot {\Vert }_F$ 表示弗罗贝尼乌斯范数

• $\lambda$ 是正则化参数

• $\Omega (C_v)$ 是正则化项，用于防止过拟合或鼓励稀疏性。

2. 融合不同视图的表示

一旦得到了每个视图的子空间表示，下一步就是融合这些表示。

这可以通过多种方式完成，例如加权平均、共同字典学习或深度学习框架。

• 公式：一个简单的融合策略是加权平均
  $$C=\sum _{v=1}^V{w}_v{C}_v$$
  其中，$V$ 是视图的总数，$w_v$ 是第 $v$ 个视图的权重。

3. 聚类

最后，基于融合后的表示 $C$，应用聚类算法（如谱聚类）来划分数据点。

• 公式：构造拉普拉斯矩阵 $L$，然后求解特征向量
  $$L=D-|C|$$
  其中，$D$ 是度矩阵，$C$ 是经过绝对值操作的系数矩阵，这样可以将自表示转化为亲和矩阵。

  然后，对 $L$ 的特征向量应用 $k$-means 或其他聚类算法来确定数据点的分组。

公式的作用

• 子空间学习：通过自表示学习，$C_v$ 描述了数据点在每个视图的子空间内的关系，这是理解数据结构的关键步骤。
• 融合表示：融合策略确保了所有视图的信息都被考虑到，从而得到一个更全面和一致的表示。
• 聚类：基于融合后的表示，应用聚类算法来划分数据点，这一步决定了最终的聚类结果。

MVSC模型通过在每个视图中学习子空间表示，然后融合这些表示，能够处理多源数据的复杂性和异质性，从而在聚类任务中表现出色，尤其是在处理高维和复杂数据结构时。