.png){kind=icon}
返回
Self-weighted low-rank representation for multivariate compositional data
.png){kind=icon}
PRE
AI
DOI：10.1016/j.neunet.2026.108851.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
组分数据能够有效捕捉整体中不同部分之间的相对信息，近年来在实践应用中得到了频繁利用。然而，由于复杂分组结构和不具信息变量的存在所带来的潜在挑战，目前针对多元组分数据的聚类研究仍较少。本文提出一种自加权低秩表示（SWLRR）方法用于聚类多元组分数据。具体而言，引入变量加权策略以学习不同组分数据变量的适当权重，从而突出信息变量并抑制不具信息变量。同时，为满足探索分组结构的需求，在加权数据空间中同时捕捉数据的全局和局部结构，这分别通过推广自表达属性以及对多元组分数据添加图约束项来实现。此外，对表示施加低秩约束以提高鲁棒性。在此基础上，构建统一的优化框架，并采用乘子交替方向法（ADMM）提出求解算法。在合成数据集和实际数据集上的实验结果表明，所提出的聚类方法相较于其他竞争方法具有优势，并证明了该方法在识别不同组分数据变量对聚类过程的贡献方面的有效性。
Keyword:
compositional data
clustering
variable weighting
low-rank representation
self-expressive property
期刊
IF:
6.3
论文数:
8.3K
被引数:
3.0W
机构
引用论文
.png){kind=icon}
分享收藏
查看更多内容