Multi-view unsupervised feature selection based on graph discrepancy learning

Yiwan Xu

doi:10.1016/j.neucom.2025.131487

Multi-view unsupervised feature selection based on graph discrepancy learning

2025-09-08

0

PRE

AI

DOI：10.1016/j.neucom.2025.131487

原文链接

原文求助

摘要

En 中文

在多视角学习中，无监督特征选择在降低维度的同时保留分布于不同数据模态中的判别信息方面发挥着关键作用。尽管已有显著进展，现有方法仍存在两个主要局限性：它们通常忽视整合全局和局部结构信息的互补优势，并且未能充分建模复杂的非线性关系或对齐跨视图的结构表示。为解决这些挑战，我们提出了一种新型框架，称为基于图差异学习的多视角无监督特征选择（GDFS）。该方法在投影的低维空间中联合构建全局图结构，并在非线性核诱导空间中构建局部图，有效捕捉高层语义结构和细粒度邻域依赖关系。引入图差异项以明确减少全局和局部表示之间的结构差异，从而增强一致性和鲁棒性。此外，对堆叠的全局图施加低秩张量约束，以揭示跨视图的高阶相关性。进一步学习共识聚类矩阵以提供伪标签监督，指导判别特征的选取。在六个基准多视角数据集上的广泛实验表明，GDFS在聚类性能方面始终优于当前最优方法，从而证实了其有效性、可扩展性和泛化能力。代码可在https://github.com/xyw0111/2025-GDFS获取。

Multi-view unsupervised feature selection based on graph discrepancy learning

摘要

期刊

机构

引用论文