.png){kind=icon}
返回
High-order relation driven multi-view representation learning
.png){kind=icon}
PRE
AI
DOI：10.1016/j.knosys.2026.116028.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
现有多视图特征融合方法在建模高阶相关性方面存在局限性，特别是对矩阵结构化表示的利用不足、冗余消除效果不佳以及深度模型集成不足。为解决这些关键局限性，我们提出了一种高阶关系驱动的可解释多视图特征融合框架。为获得准确的视图表示，我们首先在一对互补的图结构空间中蒸馏潜在嵌入。这些嵌入随后堆叠成三阶张量，从而实现对全局跨视图高阶交互的统一表征。通过在张量SVD核范数下强制低秩结构，减少张量切片间的冗余，保留判别信息同时消除重复成分。最后，通过判别性损失明确施加视图特定唯一性约束，增强特征可分性。在11个公开数据集上的大量实验确立了最佳多视图聚类和分类性能，超越了13个代表性基线。所得的可解释网络完全无需参数调优，进一步提升了模型透明度。代码可在https://github.com/Elena365-star/HoRM获取。
Keyword:
multi-view feature fusion
high-order correlations
tensor-structured representations
redundancy elimination
discriminative loss
期刊
K
IF:
7.6
论文数:
1.3W
被引数:
4.5W
机构
引用论文
Multi-relational multi-view clustering and its applications in cancer subtype identification.png)
INFORMATION FUSION
INFORMATION FUSIONIF15.5
PREAI
分享收藏
A reinforcement learning approach to edge suggestion for fair information access on social networks基于强化学习的方法对社会网络中公平信息访问的边缘建议
IF0
PREAI
分享收藏Self-adaptive label discovery and multi-view fusion for complementary label learningNEURAL NETWORKS
NEURAL NETWORKSIF6.3
PREAI
分享收藏Scalable and Structural Multi-View Graph Clustering With Adaptive Anchor Fusion基于自适应锚融合的可扩展结构化多视图聚类
PREAI
分享收藏Interpretable Graph Convolutional Network for Multi-View Semi-Supervised Learning用于多视图半监督学习的可解释图卷积网络
PREAI
分享收藏Divergence-guided disentanglement of view-common and view-unique representations for multi-view dataINFORMATION FUSION
INFORMATION FUSIONIF15.5
PREAI
分享收藏
查看更多内容