.png){kind=icon}
返回
Multi-view Unsupervised Feature Selection via Adaptive Graph and Consensus Learning
.png){kind=icon}
PRE
AI
DOI：10.1007/978-981-95-5761-5_2.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
多视图无监督特征选择（MUFS）作为一种有效的降维技术，在各个领域获得了广泛关注。然而，现有方法依赖固定或预定义的图来表示视图相似性，导致结构偏差。此外，视图特定的判别特征在共识学习中常被忽视，削弱了潜在共识表示的鲁棒性。为解决这些局限性，我们提出了一种新型MUFS模型，命名为基于自适应图和一致性学习的多视图无监督特征选择（AGCL）。我们的方法整合了基于最大熵的自适应图学习框架，联合学习全局图结构和视图特定的结构权重，消除了对固定相似度度量的依赖。同时，设计了一个一致性约束的标签空间投影模型，以显式捕捉潜在共识表示和视图特定表示。开发了一种高效的交替优化算法以求解目标函数。最后，在九个基准数据集上的广泛实验表明，AGCL在聚类性能方面优于当前最先进的方法。
Keyword:
Multi-view unsupervised feature selection
Adaptive graph
期刊
P
IF:
0
论文数:
27
被引数:
0
机构
引用论文
.png){kind=icon}
分享收藏分享收藏
查看更多内容