返回
Projection-based comprehensive multi-view clustering with smooth regularization
DOI:10.1016/j.asoc.2025.113025.png)
摘要
En 中文
通过挖掘数据的潜在表示,子空间聚类方法可以更加准确和鲁棒。然而,这类方法存在以下局限性:它们在构建低维潜在表示时,缺乏显式保留原始数据簇中个体间关系的能力。具体而言,在数据降维过程中,无法确保保留的信息是样本间的相关信息。其次,数据降维可能导致部分样本的关键信息丢失,影响自表示矩阵的构建并降低聚类性能。为解决这两个问题,提出了一种新的多视角聚类方法,即基于投影的综合多视角聚类与平滑正则化(PCMCS)。我们为投影矩阵设计了平滑正则项,使降维后的数据能保留原始数据的分组效果。然后,我们捕捉原始数据及降维后数据的表示矩阵,并将所得表示矩阵构建为张量,使两个自表示矩阵相互优化,这在一定程度上中和了信息丢失、数据冗余和噪声对表示矩阵构建的干扰,提升了聚类性能。在8个数据集上进行的实验证明了PCMCS的有效性。
Keyword:
Latent representation
Multi-view clustering
Projection
Grouping effect
Tensor
期刊
IF:
6.6
论文数:
1.4W
被引数:
4.8W
机构
引用论文
Nonconvex low-rank tensor approximation with graph and consistent regularizations for multi-view subspace learning
NEURAL NETWORKS
IF6.3

