.png){kind=icon}
返回
Be Reliable: An Interpretable Attribute-Oriented Representation Learning Framework
.png){kind=icon}
PRE
AI
DOI：10.1109/TNNLS.2025.3618290.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
表示学习技术能够有效揭示原始数据中的潜在模式。然而，学习过程常受到不确定性因素（如数据质量差异和异构场景）的影响，从而严重影响表示学习的可靠性。本文提出了一种可靠的表示学习框架，旨在建立数据属性与建模策略之间的联系，即可解释的属性导向表示学习框架。首先，通过关注数据中固有的嵌入知识，将其解耦为四个主要属性：保真度、拓扑结构、不变性和判别性。为明确处理这些属性，我们将其融入基于优化推导的框架中，并采用相应的通用损失项。此外，通过将迭代求解过程视为桥梁，每个派生的网络模块均具备可追溯的解释性，从而奠定可靠的基础。最终，我们将所提框架扩展至多源异构场景，使其在适应复杂环境的同时保持可靠性。本质上，我们的工作旨在学习过程中无缝融合深度表示与先验知识，进而为可靠的建模奠定坚实基础。基于所提框架的网络在复杂多源异构环境中取得了有前景的结果，展示了其有效性和可靠性。代码可在https://github.com/ZihanFang11/2025_AORLNet_TNNLS获取。
Keyword:
Interpretable learning
multiview learning
node clustering
reliable representation learning
期刊
IF:
8.9
论文数:
7.6K
被引数:
7.2W
机构
引用论文
.png){kind=icon}
分享收藏Scalable and Structural Multi-View Graph Clustering With Adaptive Anchor Fusion基于自适应锚融合的可扩展结构化多视图聚类
PREAI
分享收藏
查看更多内容