.png){kind=icon}
返回
Dual-Tensor Constrained Multi-View Subspace Clustering
.png){kind=icon}
PRE
AI
DOI：10.3390/app16104766.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
现有的基于矩阵分解的多视图聚类方法往往难以同时捕捉全局高阶相关性和局部视图特定特征，并且在生成最终聚类标签时通常表现出不稳定性。为克服这些局限性，本文提出了一种双张量约束的多视图子空间聚类方法（DTCMVSC）。具体而言，对于每个视图，我们学习一个独立的潜在表示矩阵、投影矩阵和基矩阵。潜在表示和投影矩阵被堆叠成三阶张量，并施加张量核范数正则化，以同时利用跨视图的共识结构和互补信息。此外，引入共识正则化项和自适应视图权重，以将不同视图的潜在表示对齐到统一的共识子空间。该优化问题在ADMM框架下高效求解，随后从共识表示构建相似度矩阵并执行谱聚类以获得最终标签。在六个基准数据集上的实验评估证明了DTCMVSC的优越性。具体而言，它在CMU数据集上达到86.10%的ACC，在ORL数据集上达到94.17%的NMI，分别超越表现最差的最先进基线方法63.08和18.53个百分点。
Keyword:
multi-view clustering
three-factor matrix factorization
tensor nuclear norm
double tensor constraints
spectral clustering
期刊
A
IF:
2.5
论文数:
7.3K
被引数:
4
机构
引用论文
Graph Regularized and Feature Aware Matrix Factorization for Robust Incomplete Multi-View Clustering
PREAI
分享收藏Hypergraph regularization-based anchor learning for multi-view clustering基于超图正则化的锚点学习用于多视图聚类.png)
Pattern Recognition
Pattern RecognitionIF7.6
PREAI
分享收藏Nonlinear multi-view clustering for non-negative matrix factorization非线性多视图聚类用于非负矩阵分解Neural Networks
Neural NetworksIF6.3
PREAI
分享收藏Centric graph regularized log-norm sparse non-negative matrix factorization for multi-viewSIGNAL PROCESSING
OAAI
SIGNAL PROCESSINGIF3.6
OAAI分享收藏Tensorized multi-dimensional multi-view clustering based on nonnegative matrix factorizationNEURAL NETWORKS
NEURAL NETWORKSIF6.3
PREAI
分享收藏Triplets-based large-scale multi-view spectral clustering基于三元组的超大规模多视图谱聚类INFORMATION FUSION
INFORMATION FUSIONIF15.5
PREAI
分享收藏
查看更多内容