.png){kind=icon}
返回
Nonlinear multi-view clustering for non-negative matrix factorization
.png){kind=icon}
PRE
AI
DOI：10.1016/j.neunet.2025.107744.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
深度多视图聚类方法近年来取得了显著进展，得益于其广泛的参数空间以及在学习过程中能够考虑更多细节的能力。然而，现有方法存在以下问题：(1) 基于数据驱动学习的深度模型通常涉及不透明的更新过程，并且难以在不同数据尺度下保持稳定性。(2) 基于非负矩阵分解（NMF）的聚类方法通常表现出有限的鲁棒性，这是由于其受限的非线性拟合能力及狭窄的参数空间。为解决这些问题，我们提出了一种非线性非负矩阵分解多视图聚类框架。我们的框架将传统NMF优化原理整合到深度模型中，以增强可解释性和稳定性。此外，它采用部分参数化NMF迭代来提高非线性拟合能力，从而扩展参数空间并增强模型鲁棒性。我们还引入了跨视图对比损失，以引导模型学习视图间的多样性和聚类友好的结构特征。在多个数据集上的实验表明，我们的方法优于当前最先进的聚类方法。
期刊
IF:
6.3
论文数:
8.3K
被引数:
3.0W
机构
暂无机构信息
引用论文
"Why Should I Trust You?"“我为什么要相信你？”.png)
Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining
Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data MiningIF0
PREAI
分享收藏Joint multi-label learning and feature extraction for temporal link prediction面向时序链路预测的联合多标签学习和特征提取PATTERN RECOGNITION
OAAI
PATTERN RECOGNITIONIF7.6
OAAI分享收藏Robust multi-view non-negative matrix factorization with adaptive graph and diversity constraints
PREAI
分享收藏Stop explaining black box machine learning models for high stakes decisions and use interpretable models instead停止解释高风险决策的黑盒机器学习模型，而改用可解释的模型OAAI
OAAI分享收藏分享收藏
查看更多内容