MM-2025《Balanced Multiple Kernel Clustering with Discrete Partition Entropy Auto Regularization》

2. 核心思想这篇论文的核心思想是为了解决多核聚类（Multiple Kernel Clustering, MKC）中存在的四个关键挑战：核图质量不佳、松弛 - 离散化过程中的信息丢失、聚类平衡约束的缺失以及聚类质量与平衡性之间的权衡困难。作者提出了一种名为BMKC (Balanced Multiple Kernel Clustering)的新框架。其核心创新点在于：高质量核图学习：利用局部核重构和热核扩散（Heat Kernel Diffusion）技术，捕捉数据的一阶和高阶流形结构，构建稀疏且高质量的亲和图。一步离散化学习：摒弃了传统的谱聚类“先连续松弛后离散化”的两步走策略，直接学习离散的划分矩阵YYY，避免了信息丢失。自动平衡正则化：引入划分熵（Partition Entropy）作为平衡正则项，并设计了一种自动机制来学习权衡参数