噪声鲁棒
通过高阶耦合方案显式学习局部和全局结构信息，避免了以往方法中的岛效应，在噪声和分布不均的数据上仍能保持稳定的聚类性能，优于现有最先进方法。
Li, Haoran · 郭裕兰 · 任珍文 · Richard Yu, F. · You, Jiali · You, Xiaojian
IEEE Transactions on Circuits and Systems for Video Technology 2023
通过锚点反映局部热点分布，避免直接依赖不可靠的样本对相似性，降低噪声样本对局部结构学习的干扰。
高阶耦合学习框架将全局亲和图与局部二部图的学习耦合起来，使两种结构信息可以在两个图之间互相传播。
自表达学习被用来追求一个低秩的全局亲和图，有助于捕捉数据的内在低维结构。
在真实数据集上的实验结果表明，所提方法相比现有最优方法具有更好的聚类效果。