Ensemble clustering method via learning enhanced consensus adjacency matrices

doi:10.1016/j.neucom.2026.134832

Ensemble clustering method via learning enhanced consensus adjacency matrices

2026-08-17

0

PRE

AI

DOI：10.1016/j.neucom.2026.134832

原文链接

原文求助

摘要

En 中文

基于成对相似性的集成聚类方法近年来已展现出巨大潜力。然而，现有方法仍面临两大主要挑战：(1) 它们往往未能充分利用多阶邻接矩阵中嵌入的成对样本间的高阶一致性；(2) 它们忽略了在高阶张量空间中探索标签空间与特征空间信息之间的相关性。为解决这些挑战，我们提出了一种新型集成聚类方法ECM-LECAM。首先，分别从标签空间和特征空间提取多阶样本关系，以构建相应的多阶邻接矩阵集合。然后，引入高阶成对一致性概念，从多阶邻接矩阵中挖掘高可靠性的一致信息，从而构建高阶一致性矩阵。基于这些矩阵，开发了一种集成聚类框架，用于学习每个空间增强的一致性邻接矩阵。此外，采用图张量学习来联合建模增强的一致性邻接矩阵，从而探索不同一致性邻接矩阵间的相关性，并促进信息传播与交互。最后，对一致性邻接矩阵施加Laplacian秩约束，以直接获得离散的聚类分配。在多个数据集上的广泛实验表明，ECM-LECAM相较于代表性的现有最佳集成聚类方法，实现了具有竞争力且通常更优的聚类性能。

Ensemble clustering method via learning enhanced consensus adjacency matrices

摘要

期刊

机构

引用论文