.png){kind=icon}
返回
Dual Constraint based Semi-supervised Nonnegative Matrix Factorization for Multi-view Clustering
.png){kind=icon}
PRE
AI
DOI：10.1016/j.knosys.2025.114357.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
半监督非负矩阵分解（NMF）在多视图聚类应用中受到了广泛关注。然而，现有的半监督方法仅采用点式（即标签）或成对约束作为监督信息，未考虑充分利用两者以进一步提升聚类性能的有效性。为此，本文针对多视图聚类任务提出了一种基于双约束的半监督非负矩阵分解（DSNMF）方法。具体而言，DSNMF中开发了一种基于多视图的双约束（MDC）算法，该算法同时利用点式和成对监督信息来提升多视图聚类性能。具体来说，当获取有限标签信息时，MDC算法不仅构建标签正则化以指导指示矩阵的学习，还采用基于超图的成对约束传播算法构建图正则化。此外，开发了一种交替乘法迭代方法以求解DSNMF的优化问题，并分析其收敛性、监督信息效应和计算复杂度。最后，在五个多视图数据集上的大量实验结果表明，DSNMF的性能优于几种最先进的半监督多视图聚类方法。
期刊
K
IF:
7.6
论文数:
1.3W
被引数:
4.5W
机构
引用论文
Shared and individual representation learning with Feature Diversity for Deep MultiView Clustering
PREAI
分享收藏Nonconvex low-rank tensor approximation with graph and consistent regularizations for multi-view subspace learning.png)
NEURAL NETWORKS
NEURAL NETWORKSIF6.3
PREAI
分享收藏Robust multi-view non-negative matrix factorization with adaptive graph and diversity constraints
PREAI
分享收藏Self-Supervised Discriminative Feature Learning for Deep Multi-View Clustering面向深度多视图聚类的自监督判别特征学习
OAAI
OAAI分享收藏Hypergraph based semi-supervised symmetric nonnegative matrix factorization for image clusteringPATTERN RECOGNITION
PATTERN RECOGNITIONIF7.6
PREAI
分享收藏分享收藏
查看更多内容