• 病人较少但是测量的基因数据非常多；
• 各种基因数据不统一，且各个数据上都存在噪声；
• 如何提取各种基因数据上的互补信息。

• 基于拼接的方式：存在低信噪比的问题；
• 独立分析后拼接：数据独立，容易产生不同的输出结果，不能统一；
• 基因预先选择：聚焦公共信息，缺失了互补信息；
• 机器学习聚类：对于预先选择的基因数量特别敏感。

• 为每一类构建一个相似度网络；
• 用非线性方法融合所有的相似度网络得到一个单一的输出网络。

• 同时包含不同基因类型的公共信息和互补信息，提取的信息比较全面；
• 可以综合处理多种基因数据，对噪声鲁棒，可用于样本少的情况；
• 迭代融合的过程可以去除弱连接，增强强连接。

论文以一个细胞瘤数据集进行了分析，展示了SNF的具体过程，这里使用了三种基因数据，首先也是根据这三种基因数据分别进行构图，构图后对三个图进行融合。利用融合之后的图进行聚类和生存预测。使用谱聚类的方式将病人聚类成不同的癌症亚型，并将网络作为一个正则化项，加入到回归任务中，得到病人的生存风险预测。

相似度计算公式：

图融合迭代公式：

谱聚类损失函数：

回归系数更新公式：

• 本文使用了一个相似度融合的网络，可以综合处理各种基因数据，得到丰富全面的特征，用于后续的聚类和回归任务。

• 本文来源于多视图，但也可以返回应用于多视图；
• 聚类的评估指标可以借鉴。

• Bayesian correlated clustering to integrate multiple datasets.
• On spectral clustering: analysis and an algorithm.
• A tutorial on spectral clustering.