Low-Rank Kernel Tensor Learning for Incomplete Multi-View Clustering

doi:10.1609/aaai.v38i14.29526

Low-Rank Kernel Tensor Learning for Incomplete Multi-View Clustering

2024-03-24

0

OA

AI

DOI：10.1609/aaai.v38i14.29526

原文链接

原文求助

摘要

En 中文

不完整多核聚类算法旨在从原始数据中预构建的不完整多核中学习一个共同的潜在表示，随后使用k-means进行聚类。由于其高计算效率，这些算法已引起广泛关注。然而，我们的观察表明，这些方法对每个核的插补忽略了其他不完整核的影响。鉴于此，我们提出了一种名为低秩核张量学习用于不完整多视图聚类（LRKT-IMVC）的新方法来解决上述问题。具体而言，LRKT-IMVC首先引入核张量的概念来探索视图间的相关性，然后利用低秩核张量约束进一步捕捉一致性信息以插补缺失的核元素，从而提高聚类质量。此外，我们精心设计了一种具有良好收敛性的交替优化方法来求解所得到的优化问题。在七个知名数据集上针对不同的缺失比例进行的实验将所提出的方法与近期进展进行比较，证明了其有效性和所提出插补方法的优势。

Low-Rank Kernel Tensor Learning for Incomplete Multi-View Clustering

摘要

期刊

机构

引用论文