.png){kind=icon}
返回
Robust high-order graph learning for incomplete multi-view clustering
.png){kind=icon}
PRE
AI
DOI：10.1016/j.eswa.2025.127580.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
不完整多视图聚类是监督学习中一个具有挑战性的问题，它涉及将包含缺失信息的多视图数据分组到不同的簇中。本研究提出了一种新颖的鲁棒高阶图学习方法（RHGL）用于不完整多视图聚类。具体而言，首先采用鲁棒主成分分析（RPCA）根据原始可用数据获得无误差矩阵，然后利用获得的鲁棒表示进行局部流形学习。接着，我们对由局部相似结构生成的视图特定划分进行对齐，并执行完整相似图学习以探索全局相似结构。为了捕捉视图间的高阶关系，所有完整相似图在低秩约束下堆叠为一个三阶张量。因此，我们的模型能够同时探索局部和全局相似结构，并挖掘高阶视图间相关性。开发了一种有效的迭代优化策略来解决所提出的方法。在六个基准数据集上的实验表明，我们的模型优于竞争方法。
Keyword:
Incomplete multi-view clustering
Graph learning
Partition learning
Low-rank tensor constraint
期刊
IF:
7.5
论文数:
3.0W
被引数:
10.2W
机构
暂无机构信息
引用论文
.png){kind=icon}
分享收藏High-Order Neighbors Aware Representation Learning for Knowledge Graph Completion面向知识图补全的高阶邻居感知表示学习
PREAI
分享收藏AGNN: Alternating Graph-Regularized Neural Networks to Alleviate Over-SmoothingAGNN: 缓解过度平滑的交替图正则化神经网络
OAAI
OAAI分享收藏
查看更多内容