Adaptive Hypergraph-Induced Dual-Structure Tensor Embedding for Multi-View Image Representation Learning

Pingting Hao

doi:10.1109/tip.2026.3736794

Adaptive Hypergraph-Induced Dual-Structure Tensor Embedding for Multi-View Image Representation Learning

2026-09-29

0

PRE

AI

DOI：10.1109/tip.2026.3736794

原文链接

原文求助

摘要

En 中文

多视图多标签学习对于视觉内容理解至关重要，但面临两个根本瓶颈： (i) 结构解耦，即普遍的矩阵展平破坏了视觉特征与语义概念之间的内在高阶相关性；以及 (ii) 语义均匀性偏差，即忽略标签拓扑异质性导致对模糊标注的过拟合。为解决这些问题，我们提出了自适应超图诱导的双结构张量嵌入（AHATE）框架。借鉴张量谱图理论的概念启发，我们引入了一种新型的双结构张量核范数（DS-TNN）。与松散的加性正则化不同，该机制在傅里叶域中充当高阶谱滤波器，显式地耦合特征流形与标签拓扑，严格强制共识并抑制结构噪声。此外，基于网络中心性理论，我们设计了一种自适应超图加权损失。通过利用PageRank量化拓扑重要性，该策略优先考虑高置信度结构锚点而非模糊实例。最后，整合了联合稀疏投影机制以消除冗余。大量实验表明，AHATE取得了统计上的显著优势。具体而言，与次优方法相比，其平均精度最高提升5.52%，汉明损失最高降低4.40%，并在Corel5k数据集上实现了最低汉明损失0.0137。完整的源代码（包括预处理和配置脚本）可在https://github.com/hpinty/AHATE.git获取。

Keyword:

Multi-view learning

image representation learning

tensor embedding

hypergraph

multi-label classification

Adaptive Hypergraph-Induced Dual-Structure Tensor Embedding for Multi-View Image Representation Learning

摘要

期刊

机构

引用论文