.png){kind=icon}
返回
Scalable Multi-View Regression Clustering for Large-Scale Data
.png){kind=icon}
PRE
AI
DOI：10.1109/TCSVT.2025.3546973.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
近年来，无监督线性回归因其能够直接捕捉样本与目标之间的映射关系而受到关注。然而，现有算法仅能利用单一视图的有限信息，这往往导致结果不理想。为解决此问题，我们提出了一种基于多视图信息融合的回归聚类模型，称为Scalable Multi-view Regression Clustering。该模型由两部分组成：视图内信息融合和视图间信息融合。在第一部分中，为捕捉样本间的局部相关性，我们提出构建视图特定的二分图。与传统的单视图和多视图聚类算法不同，我们将二分图的权重视为样本的附加特征，从而在特征层面直接融入样本的局部流形结构。此外，由于样本的原生特征也包含有价值的信息，我们在每个视图中分别对由原生特征表示的样本和由二分图权重表示的样本执行无监督线性回归，并将结果以加权方式整合。在第二部分中，我们提出自适应地加权各视图的聚类结果，以捕捉跨视图的互补信息，从而提升聚类性能。该策略不仅避免了多视图聚类中的二分图对齐问题，还实现了线性时间复杂度的聚类，使其适用于大规模数据处理。我们开发了一种迭代优化算法，用于交替更新所有变量。在基准数据集上的实验证明了我们所提模型的优越性。
Keyword:
Fast multi-view regression clustering
bipartite graph
intra-view information fusion
inter-view information fusion
期刊
IF:
11.1
论文数:
846
被引数:
3.1W
机构
引用论文
分享收藏Clustering and projected clustering with adaptive neighbors.png)
Proceedings of the 20th ACM SIGKDD international conference on Knowledge discovery and data mining
Proceedings of the 20th ACM SIGKDD international conference on Knowledge discovery and data miningIF0
PREAI
分享收藏
查看更多内容