.png){kind=icon}
返回
Safe maximin multiple graph learning for multi-view clustering
.png){kind=icon}
PRE
AI
DOI：10.1007/s10489-026-07307-w.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
基于图的多视图聚类（MVC）因其有效融合多视图信息而受到广泛关注。尽管已提出许多基于图的多视图聚类方法，但这类方法的安全性很少被考虑，限制了其应用。本文提出了一种新的基于图的多视图聚类方法，命名为安全最大最小多重图学习，以获得图学习的安全性。所提出的模型在执行多重图融合的同时，引入了性能增益最大化策略。同时，我们开发了一个定理以确保所提出模型的安全性，使其能够获得比基线聚类结果更安全的聚类结果。为解决所提出的最大最小优化问题，开发了一种有效算法，并附带注释分析所提出算法的安全性。实验结果表明，所提出的方法能够实现安全的聚类结果，并与当前最先进的方法相比，获得具有竞争力的多视图聚类性能。
Keyword:
Multi-view clustering
Safe machine learning
Graph learning
Maximin optimization
期刊
IF:
3.5
论文数:
7.6K
被引数:
1.7W
机构
暂无机构信息
引用论文
Auto-Weighted Multi-View Learning for Image Clustering and Semi-Supervised Classification用于图像聚类和半监督分类的自动加权多视图学习
PREAI
分享收藏Multi-View Graph Learning by Joint Modeling of Consistency and Inconsistency一致性与不一致性联合建模的多视图图学习
PREAI
分享收藏A fusion framework with multi-scale convolution and triple-branch cascaded transformer for underwater image enhancement用于水下图像增强的多尺度卷积和三分支级联变换器融合框架
PREAI
分享收藏Incomplete multi-view clustering with incomplete graph-regularized orthogonal non-negative matrix factorization.png)
APPLIED INTELLIGENCE
APPLIED INTELLIGENCEIF3.5
PREAI
分享收藏Pseudo-label guided dual classifier domain adversarial network for unsupervised cross-domain fault diagnosis with small samples伪标签引导的双分类器域对抗网络用于小样本无监督跨域故障诊断
PREAI
分享收藏Multilevel Contrastive Multiview Clustering With Dual Self-Supervised Learning多层级对比多视图聚类与双重自监督学习
PREAI
分享收藏
查看更多内容