.png){kind=icon}
返回
Deep matrix factorization with adaptive weights for multi-view clustering
.png){kind=icon}
OA
AI
DOI：10.1016/j.patcog.2025.112027.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
近年来，深度矩阵分解已被确立为一种强大的无监督学习模型，在多视图聚类等任务中取得了有前景的结果。然而，现有方法通常缺乏有效的特征选择机制，并且依赖于经验性的超参数选择。为解决这些问题，我们提出了一种新颖的用于多视图聚类的自适应权重深度矩阵分解方法（DMFAW）。该方法同时整合了特征选择并生成局部划分，从而增强了聚类结果。特征权重由一个受控制理论启发的单参数驱动，该参数动态更新，提高了算法的稳定性和收敛速度。随后，提出了一种后期融合方法，用于将加权局部划分与共识划分对齐。最后，通过交替优化算法求解优化问题，并从理论上保证其收敛性。在基准数据集上的广泛实验表明，DMFAW在聚类性能方面优于当前最先进的方法。
期刊
IF:
7.6
论文数:
1.3W
被引数:
4.5W
机构
暂无机构信息
引用论文
.png){kind=icon}
分享收藏
查看更多内容