Joint Multi-view unsupervised feature selection based on tensor learning

doi:10.1016/j.knosys.2026.115458

Joint Multi-view unsupervised feature selection based on tensor learning

2026-02-05

0

PRE

AI

DOI：10.1016/j.knosys.2026.115458

原文链接

原文求助

摘要

En 中文

多视图无监督特征选择近年来在机器学习领域获得了广泛关注，因为它不仅能有效降低数据维度，还能从多视图数据中提取关键信息模式。现有研究主要将图学习与特征选择相结合，以识别学习任务中最具判别性的特征。然而，这些方法通常依赖于合并多个图来构建共识图或学习全局一致图，主要关注视图间的成对相似性，而忽略了更复杂的高阶视图交互。此外，多视图数据的聚类结果在不同视图中应具有一定的共识性，但这一特性尚未得到充分利用。为解决这些问题，我们提出了一种基于张量学习的新型方法，称为Joint Multi-view Unsupervised Feature Selection Based on Tensor Learning（JMTL）。该方法基于低秩张量增强多视图间的高阶相关性和互补信息。此外，该方法不仅能更精细地建模视图间的复杂交互，还能结合图学习与共识聚类，进一步优化特征选择效果。为高效优化所提出的客观函数，我们设计了优化算法，并在六个基准数据集上进行了大量实验。实验结果表明，我们的方法优于当前最先进的方法。

Keyword:

Multi-view feature selection

Tensor learning

Unsupervised learning

Graph learning

Consensus clustering

Joint Multi-view unsupervised feature selection based on tensor learning

摘要

期刊

机构