【论文阅读】Multi-View Spectral Clustering with Optimal Neighborhood Laplacian Matrix

问题：
现有的方法通常将一组预先指定的一阶拉普拉斯矩阵线性组合来构造最优的拉普拉斯矩阵，导致其表达能力有限，信息挖掘不足。
解决：
该算法同时的通过搜索一阶基和高阶基的线性组合的邻域来生成最优拉普拉斯矩阵
该设计增强了最优拉普拉斯算子的表示能力，更好地利用了隐藏的高阶连接信息，提高了聚类性能。

第三类方法是通过极小化来优化基拉普拉斯矩阵的组合系数组合矩阵的标准化切割

缺点：
首先，这些算法都有一个共同的假设，即最优拉普拉斯矩阵位于由基拉普拉斯矩阵张成的线性空间中。
现有算法没有充分考虑高阶亲和度信息，这对揭示样本间隐藏的邻域关系很重要。

• 拉普拉斯矩阵构造机制

在图嵌入中，一阶连接指的是一个图中的顶点之间的局部成对接近。
相对而言，二阶连接假设共享多个连接的顶点之间也是相似的。

• 通常，我们的算法同时在一阶和高阶基拉普拉斯矩阵的线性组合的邻域中寻找最优拉普拉斯矩阵L∗。