Adaptive hypergraph structure regularized semi-supervised non-negative matrix factorization for image clustering

doi:10.1016/j.neucom.2025.130895

Adaptive hypergraph structure regularized semi-supervised non-negative matrix factorization for image clustering

2025-07-12

0

PRE

AI

DOI：10.1016/j.neucom.2025.130895

原文链接

原文求助

摘要

En 中文

半监督非负矩阵分解（SNMF）是一种在图像聚类中使用的强大技术。与传统的图不同，超图能够捕捉数据样本之间的高阶几何关系。然而，许多现有的超图学习方法使用固定的超图结构，这导致在训练过程中无法动态优化超图。因此，这些方法可能无法准确表示样本之间的真实关系。为解决此问题，本文提出了一种新颖的基于SNMF的半监督方法，称为自适应超图结构正则化半监督非负矩阵分解（AHS-SNMF）。该方法通过自适应调整超图结构并在整个学习过程中迭代改进，增强了数据样本之间高阶相似性的捕捉。此外，我们将带标签的投影矩阵与超图正则化相结合，以最小化传统聚类方法中常见的错误。这种方法加强了带标签数据相对于无标签数据的表示，从而提升了模型的鲁棒性和性能。在六个数据集上的比较实验结果表明，AHS-SNMF方法显著提高了半监督学习任务的性能。

Keyword:

semi-supervised learning

non-negative matrix factorization

hypergraph regularization

adaptive structure

image clustering

Adaptive hypergraph structure regularized semi-supervised non-negative matrix factorization for image clustering

摘要

期刊

机构

引用论文