Graph-Regularized Consensus Learning and Diversity Representation for unsupervised multi-view feature selection

doi:10.1016/j.knosys.2025.113043

Graph-Regularized Consensus Learning and Diversity Representation for unsupervised multi-view feature selection

2025-02-01

1

PRE

AI

DOI：10.1016/j.knosys.2025.113043

原文链接

原文求助

摘要

En 中文

在现有的数据降维方法中，无监督多视图特征选择因其有效性而被广泛采用。然而，当前大多数方法缺乏对共识和互补性原则的充分整合。一方面，一些方法仅关注多视图的共识表示，而忽略了视图间的互补性以及各视图的独特性。另一方面，一些方法为每个视图获取固有表示矩阵，并将其粗略组合以形成最终结果，这未能利用视图间的互补信息。受这两方面启发，本文提出了图正则化共识学习与多样性表示（GCDUFS）方法用于无监督多视图特征选择。该算法利用图正则化约束共识矩阵，更好地捕获共同流形信息。同时，它采用核函数来度量希尔伯特空间中的数据依赖性，有效捕获所有视图的多样性信息。此外，还采用对称非负矩阵分解（SNMF）进行聚类分析。上述方法被平滑地整合到一个统一的模型框架中，并采用乘子交替方向法（ADMM）最小化策略优化GCDUFS算法。通过对九个多视图数据集的分析，我们进行了全面的聚类实验，验证了所提出的方法在性能上优于多个当前最优的竞争方法。

Keyword:

Unsupervised multi-view feature selection

Graph-Regularized Consensus Learning

Independent diversity

Subspace learning

Clustering structure

Graph-Regularized Consensus Learning and Diversity Representation for unsupervised multi-view feature selection

摘要

期刊

机构