.png){kind=icon}
返回
Adaptive bigraph-based multi-view unsupervised dimensionality reduction
.png){kind=icon}
PRE
AI
DOI：10.1016/j.neunet.2025.107424.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
作为一种关键机器学习技术，基于图的多视图无监督降维旨在利用图结构为无标签多视图数据学习紧凑的低维表示。然而，它面临若干挑战，包括多异构视图的融合、缺乏标签指导、预定义相似性图的刚性以及高计算强度。为解决这些问题，我们提出了一种新颖的方法，称为自适应双图多视图无监督降维（BMUDR）。BMUDR动态学习视图特定的锚点集，并自适应地构建一个由多个视图共享的双图，通过样本-锚点关系促进低维表示的发现。锚点的生成和锚点相似性矩阵的构建被整合到降维过程中。不同视图的多样化贡献被自动加权，以利用其互补性和一致性。此外，设计了一种优化算法以提升计算效率和可扩展性，并在多个基准数据集上的广泛实验中展现出优异的低维表示学习性能。
Keyword:
Multi-view dimensionality reduction
Unsupervised learning
Adaptive graph
Bipartite graph
Embedding
期刊
IF:
6.3
论文数:
8.2K
被引数:
3.0W
机构
引用论文
Multi-view subspace clustering via simultaneously learning the representation tensor and affinity matrix.png)
PATTERN RECOGNITION
PATTERN RECOGNITIONIF7.6
PREAI
分享收藏
A Comprehensive Survey of Graph Embedding: Problems, Techniques, and Applications图嵌入的综合调查: 问题，技术和应用
OAAI
OAAI分享收藏Fast robust fuzzy clustering based on bipartite graph for hyper‐spectral image classification基于二分图的双谱图像分类的快速鲁棒模糊聚类
PREAI
分享收藏Robust multi-view non-negative matrix factorization with adaptive graph and diversity constraints
PREAI
分享收藏
查看更多内容