Multiple kernel clustering (MKC) methods aim at integrating an optimal partition from a set of precalculated kernel matrices. Though achieving success in various applications, we observe that existing MKC methods: (i) lack of representation flexibility; and (ii) do not considerably preserve the locality structure in partition space. These issues may adversely affect the learning procedure of MKC, leading to unsatisfying clustering performance. In this paper, we propose a late fusion MKC method with local graph refinement to address the aforementioned issues. Different from existing MKC mechanisms, our method unifies the traditional weighted multiple kernel k-means, kernel partition, and graph construction into a single optimization procedure. The local graph is utilized to preserve the locality information in partition space and therefore all of the counterparts can be boosted for mutual clustering improvements. By this way, our approach enhances the local graph structure in partition space and enjoys more flexible kernel representations, leading to significant clustering improvements. Moreover, a three-step alternate algorithm is developed to solve the resultant optimization problem with proved convergence. Extensive experiments are conducted on several multiple kernel benchmark datasets to compare the proposed algorithm with the state-of-the-art ones, and the results well demonstrate its effectiveness and superiority.

中文翻译：

---

具有后期融合共识局部图保留的多核聚类

多核聚类 (MKC) 方法旨在从一组预先计算的核矩阵中集成最佳分区。尽管在各种应用中取得了成功，但我们观察到现有的 MKC 方法：（i）缺乏表示灵活性；(ii) 没有相当大地保留分区空间中的局部结构。这些问题可能会对 MKC 的学习过程产生不利影响，导致聚类性能不令人满意。在本文中，我们提出了一种具有局部图细化的后期融合 MKC 方法来解决上述问题。与现有的 MKC 机制不同，我们的方法将传统的加权多核 k 均值、核分区和图构建统一到一个优化过程中。局部图用于保留分区空间中的局部信息，因此可以提升所有对应物以进行相互聚类改进。通过这种方式，我们的方法增强了分区空间中的局部图结构，并享有更灵活的内核表示，从而显着改善了聚类。此外，开发了一种三步交替算法来解决具有证明收敛性的合成优化问题。在多个多核基准数据集上进行了大量实验，将所提出的算法与最先进的算法进行比较，结果很好地证明了其有效性和优越性。我们的方法增强了分区空间中的局部图结构，并享有更灵活的内核表示，从而导致显着的聚类改进。此外，开发了一种三步交替算法来解决具有证明收敛性的合成优化问题。在多个多核基准数据集上进行了大量实验，将所提出的算法与最先进的算法进行比较，结果很好地证明了其有效性和优越性。我们的方法增强了分区空间中的局部图结构，并享有更灵活的内核表示，从而导致显着的聚类改进。此外，开发了一种三步交替算法来解决具有证明收敛性的合成优化问题。在多个多核基准数据集上进行了大量实验，将所提出的算法与最先进的算法进行比较，结果很好地证明了其有效性和优越性。