awesome-multi-view-clustering

该合集是一个关于多视图聚类领域的数据集资源集合，收录了用于多视图聚类研究的基准数据集，包括原始数据集和核化数据集，覆盖了图形聚类、多核聚类、子空间聚类等多个子领域。This collection is a dataset resource repository dedicated to the field of multi-view clustering. It compiles benchmark datasets for multi-view clustering research, including raw datasets and kernelized datasets, and covers multiple subfields such as graph clustering, multiple kernel clustering, and subspace clustering.

原始信息汇总

多视图聚类数据集详情

概述

该页面是一个多视图聚类（Multi-view Clustering）领域的资源汇总仓库，收录了该方向的综述论文、前沿方法（论文与代码）以及基准数据集。

综述论文

页面列出了4篇重要的多视图聚类综述论文，涵盖多视图学习、图系统多视图聚类、多视图聚类综述以及多视图学习最新进展。

方法与论文

论文按技术方向分类，共包含10个类别：

1. 图聚类（Graph Clustering）

• 包含6篇论文，时间跨度2015-2021，涵盖大规模双谱图、自加权多视图、一步法、统一图学习、一致图学习等方法。

2. 多核聚类（Multiple Kernel Clustering, MKC）

• 包含5篇论文，时间跨度2014-2019，涵盖局部数据融合、鲁棒多核K-means、矩阵诱导正则化、晚融合对齐等技术。

3. 子空间聚类（Subspace Clustering）

• 包含7篇论文，时间跨度2015-2019，涵盖多样性诱导、隐空间、一致性与特异性、低秩稀疏、分裂乘法、灵活表示、互惠多层子空间学习等方法。

4. 深度多视图聚类（Deep Multi-view Clustering）

• 包含36篇论文，时间跨度2018-2023，收录最丰富。涵盖自编码器、对抗网络、图卷积、对比学习、变分推断等深度技术。

5. 深度不完全多视图聚类（Deep Incomplete Multi-view Clustering）

• 包含7篇论文，时间跨度2019-2022，处理部分视图缺失问题，方法包括交叉部分网络、生成式、对比预测等。

6. 二值多视图聚类（Binary Multi-view Clustering）

• 包含1篇论文（TPAMI2019），聚焦二值化表示学习。

7. 基于NMF的多视图聚类（NMF-based Multi-view Clustering）

• 包含1篇论文（AAAI2020），利用非负矩阵分解的隐空间嵌入。

8. 集成多视图聚类（Ensemble-based Multi-view Clustering）

• 包含1篇论文（TNNLS2019），采用边缘化集成策略。

9. 可扩展多视图聚类（Scalable Multi-view Clustering）

• 包含4篇论文，时间跨度2020-2022，关注大规模数据的线性时间处理，如锚点统一图、参数无关双谱图融合。

10. 演化多视图聚类（Evolutionary Multi-view Clustering）

• 包含1篇论文（2021），采用多目标进化方法。

基准数据集

页面提及提供原始数据集和核化数据集两类基准数据，但具体数据集列表因内容截断未完整展示。

联系方式

若有论文或代码分享意向，可联系 [e-mail]。

搜集汇总

数据集介绍

构建方式

该数据集以GitHub仓库形式组织，系统性地收集了多视图聚类领域的前沿研究成果。构建过程首先梳理了综述性文献以确立领域框架，随后按技术路线将论文与代码划分为图聚类、多核聚类、子空间聚类、非负矩阵分解聚类、深度多视图聚类、二值多视图聚类、集成多视图聚类、可扩展多视图聚类及进化多视图聚类九大类别。每个类别下收录了发表于AAAI、CVPR、NeurIPS等顶级会议或期刊的论文及其开源代码，同时提供了原始与核化两种形式的基准数据集，便于研究者进行方法验证与对比。

特点

该数据集具有高度的系统性与时效性，不仅涵盖了从传统方法到深度学习范式的完整技术谱系，还专门设立了深度不完整多视图聚类等新兴方向。其突出特点在于每篇论文均附有官方代码链接或百度网盘资源，有效降低了复现门槛。此外，数据集按方法类型进行精细分类，并提供了综述论文与基准数据集，形成了从理论到实践的闭环生态，为研究者快速把握领域脉络、定位创新切入点提供了有力支撑。

使用方法

使用者可通过GitHub页面的目录导航直接定位至感兴趣的方法类别，点击论文标题即可跳转至原文获取理论细节，同时通过附带的代码链接或网盘地址获取实现源码。基准数据集部分提供了原始特征与核化矩阵两种格式，可分别用于评估不同算法的性能。建议研究者结合综述论文建立领域认知，再针对具体任务选择对应类别中的代表性方法进行复现与改进，利用提供的标准数据集进行公平对比实验。

背景与挑战

背景概述

多视图聚类作为无监督学习领域的重要分支，旨在融合来自不同视角或模态的数据信息，以揭示数据中潜在的一致性与互补性结构。该数据集由国防科技大学王思伟等研究人员于2019年前后创建，系统梳理了多视图聚类领域的前沿方法，涵盖图聚类、多核聚类、子空间聚类、深度多视图聚类等核心方向。其核心研究问题在于如何有效整合异构视图信息，提升聚类性能与鲁棒性。该资源库已成为该领域研究者追踪最新进展、复现经典算法的重要参考，推动了多视图聚类技术的快速发展与广泛应用。

当前挑战

多视图聚类面临的核心挑战在于如何精准建模跨视图间的一致性与差异性，避免信息冗余或冲突导致的性能退化。构建过程中，研究者需应对数据缺失、视图不完整等现实问题，同时平衡模型复杂度与计算效率。此外，深度多视图聚类方法在特征学习时易陷入局部最优，且大规模数据集下的可扩展性仍是亟待攻克的难题。这些挑战促使领域内不断探索更鲁棒、高效的聚类范式。

常用场景

经典使用场景

在多视图聚类研究领域，该数据集整合了图聚类、多核聚类、子空间聚类、非负矩阵分解聚类以及深度多视图聚类等前沿方法的论文与代码，为研究者提供了一个系统化的资源平台。其经典使用场景在于，当学者探索如何从多个异构数据源（如图像、文本、基因表达谱）中挖掘一致且互补的聚类结构时，可借助该数据集快速定位基准方法，例如基于二部图的大规模多视图谱聚类或自加权多图聚类，从而高效复现并对比不同算法的性能。

解决学术问题

该数据集系统性地解决了多视图聚类领域中长期存在的学术难题，即如何有效融合来自不同视角的数据以提升聚类精度与鲁棒性。通过收录一致性学习、不完整视图处理及深度表示学习等关键工作，它推动了针对视图间不一致性、缺失数据及高维噪声等挑战的理论突破。其意义在于，为跨模态信息融合提供了标准化评估框架，显著促进了多视图学习理论在模式识别与数据挖掘领域的成熟发展，并催生了诸如安全多视图聚类等前沿研究方向。

衍生相关工作

该数据集衍生了一系列里程碑式工作，包括基于对比学习的多视图图聚类方法（如MCGC）、面向不完整视图的深度安全聚类框架（如DSIMVC），以及融合双曲几何的层次聚类模型（如CMHHC）。这些工作不仅在CVPR、NeurIPS等顶级会议上发表，还催生了诸如自适应图自编码器（AdaGAE）与多级特征对比学习（MFLVC）等创新范式，持续推动多视图聚类从浅层融合向深层语义对齐演进。