.png){kind=icon}
返回
Multi-view graph learning based on efficient neighbors
.png){kind=icon}
OA
AI
DOI：10.1007/s10479-025-06916-x.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
在多视图机器学习问题中，我们拥有同一对象的多个描述。多视图聚类旨在从这些多视图描述中发现聚类结构。其目标是将这些不同视图中发现的互补信息进行整合。在本工作中，我们提出了一种基于图的多视图聚类方法。具体而言，我们引入了用于多视图聚类的联合多重高效邻居和图（JMEG）学习方法。我们的目标是找到稀疏性与连通性之间的良好平衡。为此，我们引入了一种后处理技术。随后，JMEG还采用划分空间和共识图学习来有效揭示数据结构。整个聚类过程被定义为一个优化问题，并通过迭代交替算法求解。我们通过实验展示了我们方法的有效性，其性能优于当前最优方法。此外，本文还讨论了JMEG的计算成本。
Keyword:
Multi-view clustering
Efficient neighborhood
Connectivity and sparsity
Fusion graph
期刊
IF:
4.5
论文数:
8.1K
被引数:
2.1W
机构
引用论文
.png){kind=icon}
查看更多内容