.png){kind=icon}
返回
Multi-view clustering based on low-dimensional structure and global representation
.png){kind=icon}
PRE
AI
DOI：10.1007/s10044-025-01565-z.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
多视角聚类可以通过整合多视角的数据信息获得全面的聚类结果。基于这一事实，一些学者开发了许多多视角聚类算法，这些算法已显示出优异的聚类性能。然而，这些算法可能仍存在某些局限性。例如，将含噪声的数据作为字典在自表示理论中会带来诸多研究挑战。为解决上述问题，我们提出了一种基于低维结构和全局表示的新型多视角聚类算法（MVCLG）。具体而言，我们使用自表示模型提取所有视角数据的全局一致性信息。在自表示模型中，数据作为字典可能含有噪声。因此，我们采用非负矩阵分解（NMF）来揭示各视角数据的低维结构，并去除与噪声相关的部分冗余信息。通过这种方式，干净的低维结构能更好地指导全局表示，从而获得高质量的聚类结果。此外，我们在模型中实现了自适应损失函数和自动加权策略。最后，我们设计了迭代更新优化策略并证明了其收敛性。与十种最先进的算法相比，在七个真实数据集上的实验结果表明，我们提出的算法具有更优越的有效性。MVCLG的代码发布在以下网站 https://github.com/xzwxing/MVCLG 。
Keyword:
Multi-view clustering
Global representation
Low-dimensional structure
Non-negative matrix factorization
Adaptive loss function
期刊
IF:
2
论文数:
1.9K
被引数:
1.9K
机构
暂无机构信息
引用论文
分享收藏Triplets-based large-scale multi-view spectral clustering基于三元组的超大规模多视图谱聚类.png)
INFORMATION FUSION
INFORMATION FUSIONIF15.5
PREAI
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