.png){kind=icon}
返回
Robust Semi-Supervised Deep Autoencoder-like Nonnegative Matrix Factorization for Multi-View Clustering
.png){kind=icon}
OA
AI
DOI：10.3390/pr14142306.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
深度自编码器型非负矩阵分解（DANMF）已作为一种强大的降维范式出现，并在多视角聚类（MVC）应用中获得了显著关注。尽管现有的DANMF基MVC框架表现出竞争性性能，但它们本质上易受噪声污染影响，并且往往无法通过有效利用稀疏监督信息来显著改善聚类结果。为解决这些局限性，本文引入基于相关熵的半监督多视角深度自编码器型非负矩阵分解（CSDANMF）框架，用于高级多视角聚类任务。与传统的DANMF基MVC方法相比，所提出的CSDANMF方法引入了两种独特创新：（1）CSDANMF用非线性局部相似性度量——具体为最大相关熵——替代传统线性Frobenius范数作为损失函数，从而显著增强了模型对异常值和噪声的鲁棒性。（2）CSDANMF利用稀疏标签信息构建初始成对约束，并随后采用约束传播算法（CPA）将这些监督信号扩散到数据流形上，从而最大化有限先验知识的利用以指导聚类过程。此外，我们提供了全面的算法评估，包括对污染数据集的正式鲁棒性分析和计算复杂度分析。在六个基准非负多视角数据集上的广泛实验结果表明，CSDANMF始终优于六种当前最先进的MVC方法，验证了其有效性和卓越的聚类性能。
Keyword:
deep autoencoder-like NMF
correntropy
supervisory information
multi-view clustering
期刊
IF:
2.8
论文数:
7.3K
被引数:
3.7W
机构
引用论文
分享收藏Zhang, P.; Jiang, G.; Kang, K.; Dong, J.; Peng, C. Inter-class Separable Anchor Concept Factorization on Bipartite Graph. Knowl.-Based Syst. 2025, 324, 113734. [Google Scholar] [CrossRef]张鹏; 江国; 康凯; 董健; 彭超. 基于二分图的类间可分离锚点概念因子分解. 知识系统. 2025, 324, 113734. [谷歌学术] [CrossRef].png)
IF0
PREAI
分享收藏Deep non-negative matrix factorization with multi-layer graph regularization for clustering基于多层图正则化的深度非负矩阵分解聚类Pattern Recognition
Pattern RecognitionIF7.6
PREAI
分享收藏分享收藏
查看更多内容