.png){kind=icon}
返回
Resilient kernel-based unsupervised multi-view feature selection via compact binary hashing
.png){kind=icon}
PRE
AI
DOI：10.1016/j.engappai.2025.112515.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
多视图特征选择旨在从各种数据视图中识别最具有信息量的特征的紧凑子集，且不依赖于标注信息。然而，大多数解决方案仅限于线性多视图数据，或利用弱监督单标签学习来辅助特征选择，这会导致有价值语义信息的丢失，尤其是在处理复杂的真实世界多视图数据集时。为克服这些局限性，我们提出了一种新颖的基于鲁棒核的无监督多视图特征选择方法，通过紧凑二进制哈希实现（RKUMBH），旨在搜索跨视图的鲁棒且一致的图表示，并利用二进制哈希码引导特征选择。具体而言，我们首先通过非线性核映射标准化多视图数据的维度。然后，在自表示引导下，融合每个视图的个体相似度图，以探索不同视图间的一致图结构。此外，采用低秩约束来保留数据中的主要结构和嵌入模式，并实施无监督哈希特征选择框架，以生成跨视图的可靠哈希码。另外，我们设计了定制化的迭代优化方法来求解统一模型。在六个公开多视图数据集上的广泛实验表明，与现有方法相比，我们提出的方法在聚类和特征选择任务上均取得了最先进的结果。
查看更多机构