.png){kind=icon}
返回
Consistent Regularized Non-Negative Tucker Decomposition for Three-Dimensional Tensor Data Representation
.png){kind=icon}
OA
AI
DOI：10.3390/sym17111969.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
非负Tucker分解（NTD）是针对高阶张量数据设计的一种通用且重要的分解工具，其优势体现在特征提取和数据低维表示上。大多数基于NTD的方法仅对最后一个因子矩阵施加内在且不同的约束，该矩阵是原始张量信息的低维表示。这种处理过程可能导致所有维度因子矩阵间的关系丢失。为增强NTD的表示能力，我们提出了一种适用于三维张量数据表示的一致正则化非负Tucker分解方法。一致正则化通过对称方式呈现，并由多维度内在线索（即流形结构和正交性信息）进行数学表达。由双参数算子构建的配对约束被用于挖掘隐含语义并保持三维张量的一致几何结构。此外，我们开发了基于乘性更新规则的迭代更新方法以求解所提模型，并提供了其收敛性和计算复杂度分析。在八个真实数据集上进行的无监督图像聚类实验的广泛数值结果表明，新方法具有可行性和高效性。
Keyword:
non-negative Tucker decomposition
image clustering
multiple constraints
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
S
IF:
2.2
论文数:
1.4K
被引数:
0
机构
引用论文
Graph Regularized Nonnegative Tucker Decomposition for Tensor Data Representation.png)
ICASSP 2019 - 2019 IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP)
ICASSP 2019 - 2019 IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP)IF0
PREAI
分享收藏
分享收藏Robust nonnegative matrix factorization with structure regularization基于结构正则化的鲁棒非负矩阵分解NEUROCOMPUTING
NEUROCOMPUTINGIF6.5
PREAI
分享收藏Orthogonal nonnegative matrix t-factorizations for clusteringProceedings of the 12th ACM SIGKDD international conference on Knowledge discovery and data mining
Proceedings of the 12th ACM SIGKDD international conference on Knowledge discovery and data miningIF0
PREAI
分享收藏
查看更多内容