Class-Driven Robust Non-Negative Matrix Factorization with Dual-Hypergraph Regularization for Data Clustering

Gao, Haiyan

doi:10.3390/sym18020351

Class-Driven Robust Non-Negative Matrix Factorization with Dual-Hypergraph Regularization for Data Clustering

2026-02-13

0

OA

AI

DOI：10.3390/sym18020351

原文链接

原文求助

摘要

En 中文

传统非负矩阵分解（NMF）在处理复杂数据时面临挑战，主要表现为对噪声敏感、忽略数据几何结构以及无法有效利用监督信息。为解决这些局限性，本文提出了一种基于类别驱动的鲁棒非负矩阵分解与双超图正则化（CRNMFDH）框架。该框架的核心贡献包括：首先，设计了一种新颖的双超图正则化项，对称地捕获并保留了样本空间和特征空间的高阶几何结构，建立了两者之间的相互强化拓扑关系；其次，引入了基于类别的机制，有效将标签信息整合到分解过程中，显著增强了低维表示的判别能力；最后，采用基于相关熵的损失函数替代传统欧氏距离，从而提升了模型对噪声和异常值的鲁棒性。在九个数据集上的广泛实验表明，CRNMFDH在多种聚类评估指标和噪声鲁棒性方面显著优于现有最先进算法，为复杂数据聚类任务提供了有效的新解决方案。

Keyword:

non-negative matrix factorization

semi-supervised learning

dual-hypergraph regularization

correntropy

clustering

Class-Driven Robust Non-Negative Matrix Factorization with Dual-Hypergraph Regularization for Data Clustering

摘要

期刊

机构

引用论文