近日，安徽工程大学计算机与信息学院PRiSE（Pattern Recognition and Intelligence Software Engineering）研究团队24级硕士研究生王菲在人工智能与知识工程领域权威期刊《Knowledge-Based System》(一区，IF 7.6)发表题为“Unlocking deep structures: Anchor-side filtering for efficient multiview clustering on high-order bipartite graphs”的研究成果，安徽工程大学为论文第一署名单位。
该研究针对传统的一阶图方法只能刻画直接的邻域关系，难以刻画邻域关系捕获更深层次的高阶间接关联。直接采用高阶图结构，虽然能够捕获更丰富的关系信息，通常会引入冗余和噪声信息，并增加计算复杂度的局限性，提出了一种基于锚点侧图过滤策略优化的二部图的高阶图算法。具体地说，首先利用高阶二部图来代替传统的一阶图。通过“邻居锚点连接”传播机制，高阶二部图利用稀疏但可靠的初始联系，以推断更深层次的潜在关系。此外，通过利用小规模的锚点和大型原始样本之间的连接，高阶二部图显著降低了计算复杂度，使其更适合大规模应用群集任务。然而，高阶图结构不可避免地引入冗余和噪声。为此，锚点侧引入图滤波策略，在保持聚类结构的同时去除噪声和冗余；它避免了复杂样本侧计算，从而提高效率。最后，我们从每个视图输入高质量的高阶二部图引入融合机制，为每个视图获得最优聚类划分，并应用张量核范数（TNN）约束对这些分区实现最佳的聚类结果。大量实验证明了该方法的有效性时间和性能。
研究主要创新点：1.提出利用高阶二部图代替传统的一阶图，通过“邻居锚点连接”机制，有效挖掘样本间更深层次的潜在关系，借助锚点与大规模原始样本之间的稀疏连接，降低整体计算复杂度，使方法具备良好的大规模适应性。2.在锚点侧引入图滤波策略，精准去除冗余和噪声信息，同时避免在样本侧进行高复杂度计算，显著提升效率且进行了详细的理论证明。3.通过构建多视图的高阶二部图并引入张量核范数约束的融合机制，实现各视图间信息的有效整合与协同优化，从而提升聚类性能。
论文原文链接：https://www.sciencedirect.com/science/article/abs/pii/S0950705125008561?via%3Dihub