.png){kind=icon}
返回
Comprehensive Multiview Representation Learning via Deep Autoencoder-Like Nonnegative Matrix Factorization
.png){kind=icon}
PRE
AI
DOI：10.1109/TNNLS.2023.3304626.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
从多视图数据中学习综合表示在许多实际应用中至关重要。基于非负矩阵分解 (NMF) 的多视图表示学习 (MRL) 通过将高维空间投影到具有良好可解释性的低阶维空间而被广泛采用。然而，大多数现有的基于NMF的MRL技术是忽略分层信息的浅层模型。尽管最近已经提出了基于深度矩阵分解 (DMF) 的方法，但是它们中的大多数仅关注多个视图的一致性，并且具有繁琐的聚类步骤。为了解决上述问题，在本文中，我们提出了一种新颖的模型，称为deep autoencoder-like NMF for MRL (danmf-mrl)，该模型通过深度编码阶段获得表示矩阵并将其解码回原始数据。通过这种方式，通过基于DANMF的框架，我们可以同时考虑多视图一致性和互补性，从而实现更全面的表示。我们进一步提出了一步danmf-mrl，它在统一的框架中学习潜在表示和最终聚类标签矩阵。在这种方法中，这两个步骤可以相互协商，以充分利用潜在的聚类结构，避免以前繁琐的聚类步骤，并实现最佳的聚类性能。此外，通过理论收敛性分析，开发了两种有效的迭代优化算法来求解所提出的模型。在五个基准数据集上的大量实验证明了我们的方法相对于其他最先进的MRL方法的优越性。
Keyword:
Clustering
deep matrix factorization (DMF)
multiview learning
nonnegative matrix factorization (NMF)
期刊
IF:
8.9
论文数:
7.6K
被引数:
7.2W
机构
引用论文
Presynaptic K-channel blockade counteracts the depressant effect of adenosine in olfactory cortex.png)
Neuroscience
NeuroscienceIF0
PREAI
分享收藏
查看更多内容