.png){kind=icon}
返回
Label completion based concept factorization for incomplete multi-view clustering
.png){kind=icon}
PRE
AI
DOI：10.1016/j.knosys.2025.112953.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
不完整多视图聚类（IMVC）因其在不完整多视图数据处理方面表现优异而受到广泛关注。然而，现有的IMVC方法很少关注不完整数据与概念之间的语义关联。另一方面，聚类标签的获取也需要通过聚类算法实现，这使得概念分解和标签学习被分割为两个步骤。为解决这些局限性，我们设计了一种新的IMVC模型，称为基于标签补全的概念分解（LCCF）。具体而言，我们首先将概念分解和标签学习整合到IMVC框架中，从而能够探索不完整数据与概念之间的语义关联，同时降低补全过程的成本。同时，采用加权谱旋转自适应地执行视图指示矩阵融合，能够无缝获取所有样本的类别。此外，我们引入加权张量Schatten p-范数（WTSN）正则化，基于奇异值差异更好地近似秩并挖掘矩阵中的显著结构信息。为评估我们方法的有效性，我们通过比较八种基准方法并利用五种评估指标进行了全面实验。结果表明，所提出的LCCF模型相较于现有的最先进方法表现出更优异的性能。特别是在NGs数据集上，缺失率为50%时，LCCF模型在ACC和MNI指标上展现出显著更好的性能，相较于次优算法分别提升了8.4%和22.7%。
Keyword:
Incomplete multi-view clustering
Concept factorization
Spectral rotation
期刊
K
IF:
7.6
论文数:
1.3W
被引数:
4.5W
机构
引用论文
.png){kind=icon}
分享收藏分享收藏
查看更多内容