返回
Localized simple multiple kernel k-means with matrix regularization
DOI:10.1016/j.patcog.2026.113981.png)
摘要
En 中文
多核聚类(MKC)通过整合多种数据视图提升聚类性能,但现有方法常面临核冗余和次优优化问题。近期提出的局部化简单多核k均值(LSMKKM)方法采用新颖的Min-Max优化框架取得了显著成效。当前方法通过引入额外先验知识进行改进,然而其优化策略与矩阵正则化不兼容。通过重新构建Min-Max优化框架,我们提出了一种定制化的简化梯度下降算法,该算法对优化变量进行划分并将约束转化为线性规划格式,从而实现矩阵和向量正则化的无缝集成。首先,我们提出了具有代表性核正则化的LSMKKM(LSMKKM-RKR),通过子集选择引入代表性核正则化以解决核冗余问题。该方法在最大化核多样性的同时提升聚类精度。此外,我们通过提出具有代表性核正则化和矩阵诱导正则化的LSMKKM(LSMKKM-RKMR)进一步改进LSMKKM-RKR,其中整合了核的相关性和差异性。在包括手写数字和Coil20在内的多个基准数据集上的广泛实验表明,我们的算法显著优于当前最先进的多核k均值方法。
Keyword:
k-means
Multiple kernel clustering
Matrix regularization
期刊
IF:
7.6
论文数:
1.4W
被引数:
6.1W
机构
引用论文
Adaptive multiple kernel clustering using low-rank representation基于低秩表示的自适应多核聚类
PATTERN RECOGNITION
IF7.6
Localized Simple Multiple Kernel K‐Means Clustering with Matrix‐Induced Regularization基于矩阵诱导正则化的局部简单多核K-means聚类

