.png){kind=icon}
返回
Multi-view clustering algorithm based on sparse regression and structure learning
.png){kind=icon}
PRE
AI
DOI：10.1007/s10586-025-05245-9.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
随着大数据时代的到来，从单一视角描述同一对象已无法适应时代发展，因此有必要开展多视角聚类研究。本文提出了一种基于结构学习和稀疏回归的多视角聚类方法。现实多视角数据中大量复杂的噪声挑战了现有多视角聚类方法的鲁棒性。为了使模型对异常值具有鲁棒性，本文采用 $$l_{2, 1}$$ -范数回归模型作为损失函数学习特征权重矩阵。许多现有多视角聚类算法受限于高计算复杂度。为解决此问题，本文引入特征选择，并在降维后进行数据聚类。同时，为融合各视角的聚类结果，我们使用结构学习将各视角的聚类结果融合为统一的相似度矩阵 S。最终通过谱聚类获得统一聚类结果，并基于增强拉格朗日方法优化该方法。通过理论和实验证明，所提算法的鲁棒性及良好的聚类性能。
Keyword:
Multi-view clustering
Structure learning
Sparse regression
Augmenting lagrange
期刊
C
IF:
0
论文数:
691
被引数:
1
机构
引用论文
Centric graph regularized log-norm sparse non-negative matrix factorization for multi-view.png)
SIGNAL PROCESSING
OAAI
SIGNAL PROCESSINGIF3.6
OAAI分享收藏Robust anchor-based multi-view clustering via spectral embedded concept factorization基于谱嵌入概念分解的鲁棒锚多视图聚类NEUROCOMPUTING
NEUROCOMPUTINGIF6.5
PREAI
分享收藏Fast Parameter-Free Multi-View Subspace Clustering With Consensus Anchor Guidance共识锚引导的无参数多视图子空间快速聚类
PREAI
分享收藏Latent Multi-View Semi-Nonnegative Matrix Factorization with Block Diagonal Constraint潜在线性多视角半非负矩阵分解的块对角约束Axioms
OAAI
AxiomsIF0
OAAI分享收藏
查看更多内容