.png){kind=icon}
返回
Anchor-aware representation learning for multi-view clustering
.png){kind=icon}
PRE
AI
DOI：10.1016/j.neucom.2025.131441.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
基于锚点的多视角聚类近年来因其能够减少计算开销并实现大规模数据集的高效处理而备受关注。然而，现有的基于锚点的多视角聚类模型仍存在局限性：尽管对锚点施加了正交约束以增强其判别性，但忽略了锚点之间的内在关系。为解决此局限性，提出了一种新颖的面向锚点的多视角聚类表示学习（AARLMC）模型。具体而言，实现了锚点级的自表示学习，并将正交约束应用于锚点自表示矩阵以揭示锚点间的内在关系。此外，通过此过程生成了增强的锚点表示。将锚点图堆叠为三阶张量并施加张量核范数约束，以探索多视角数据的高阶相关性。将锚点级自表示学习、增强锚点表示和张量表示集成到统一框架中。开发了一种优化算法以求解所提出的模型。在十二个基准数据集上与十三种最先进的多视角聚类方法进行的比较实验表明，所提出的模型取得了更优的性能。源代码可在 https://github.com/guowei1314/AARLMC 获取。
期刊
IF:
6.5
论文数:
2.5W
被引数:
6.5W
机构
引用论文
暂无论文信息