看了一些anchor graph和bipartite graph 的文章始终不知道他们的区别在哪里。今天总结一下这类文章。
1.能看到最早的这类关于多视图学习的文章
Large-Scale Multi-View Spectral Clustering via Bipartite Graph（AAAI-2015）
目标：we address the problem of large-scale multi-view spectral clustering.
anchor点选取方法：The salient points can be chosen by random sampling from raw data points or using lightweight clustering methods such as k-means. We find that the salient points generated by k-means have stronger representation power compared to sampling ones.
多视图的anchor的构造方法：we generate salient points on concatenated all the features and then separate resulting points into different views.
文中选取了最简单的graph的构造方法：
目标函数为：
2.Large-scale Multi-view Subspace Clustering in Linear Time（2019）
利用kmeans 计算的聚类中心作为anchor，来计算anchor graph
3. Bipartite Graph based Multi-view Clustering（2020TKDE）
原始的bipartite构造方式如下：
整体的目标函数如下：
目标函数总体可分为两部分：（1）S的自适应学习；（2）最小化S^v和整体的anchor graph之间的差距。
4.Multi-view Clustering: A Scalable and Parameter-free Bipartite Graph Fusion Method。（2020PAMI）
利用各个视图的anchor graph 学习一个最优的graph
5.Learning an Optimal Bipartite Graph for Subspace Clustering via Constrained Laplacian Rank(2021TIP)
利用原始数据自适应学习一个anchor graph
6.Unsupervised Optimized Bipartite Graph Embedding(2021TKED)
与上面的区别是加了一个projection。目标函数如下：
7.Fast Unsupervised Feature Selection With Bipartite Graph and l2;0-Norm Constraint（2022TKED）
目标函数如下：
目标函数与7类似。（7）用来做projection，（8）用来做特征选择。graph 限制项不同，一个是二范数，一个是熵。
8.Tensorized Bipartite Graph Learning for Multi-view Clustering（2022PAMI）
与文章（5）目标一致，用来学习好的anchor graph 。（5）学习一个好的graph,（9）利用张量限制学习得到的anchor graph低秩。
9.Multiview Spectral Clustering With Bipartite Graph（2022TIP）
一边进行聚类，一边学习anchor graph。
10.Efficient and Robust MultiView Clustering With Anchor Graph Regularization(2022TKDE)
第一部分是anchor分解，第二部分是利用anchor graph 构造的graph正则。
这种正则方法利用anchor graph构造graph,再利用图正则进行正则。直接利用anchor进行正则效果怎样？
总结：
1. 本质上来讲anchor graph与graph区别不大。anchor 用来选取代表性的点，然后保持数据与anchor之间的关系。
2. 凡是过去用来做graph学习方法和正则的方法都是可以在anchor graph上适用？？？
3. 过去利用graph正则的任务是不是也可以用anchor graph正则？？？
未完待续
