Anchor Learning with Potential Cluster Constraints for Multi-view Clustering---基于潜在聚类约束的锚点学习用于多视图聚类

注意：是完备视图

创新点：

1.对锚点进行约束，高质量的锚点应该从不同的数据簇中均匀生成，而不是分散在簇外

2.对A（锚点）的更新不强制要求保证A是正交矩阵更符合簇的分布规律（狭长簇的锚点很难保证正交）

3.将图学习与嵌入学习统一优化

1.原样本通过锚点映射到隐空间（共识子空间）2.提取锚点的质心（U）、锚点标签（P）3.将锚点的锚点标签（P）与嵌入样本的样本标签（R）在隐空间中尽可能对齐（不是重合）并使得锚点标签与样本标签尽可能表示隐空间

效果图如右所示将锚点约束在簇中

理解P，R

（注：AI生图）

1.共识子空间-锚点的提取可以大大降低计算复杂度从n到k大体表示出X（样本）所以是共识子空间

2.锚点质心（U）通过锚点标签（P）表示锚点（A）

3..公式的第三部分：边缘锚点处p值大，z值小，R值不变对该锚点狠狠惩罚，P值改变后对R值更新样本标签 ($R$) 跟着 锚点标签 ($P$) 改变，从而保证了样本和为它服务的锚点在“所属类别”上是完全对齐的。

更新参数：

前面都是求导=0，U的更新使用svd在不改变正交矩阵的前提下变换U的方向

求tr（UM）的最大值就是求U，M方向一致

公式15U应该也存在转置可能印刷错误

对M进行奇异值分解用U（左奇异向量）*V更新U（锚点质心）