.png){kind=icon}
返回
Semi-supervised structured nonnegative matrix factorization for anchor graph embedding
.png){kind=icon}
PRE
AI
DOI：10.1016/j.neucom.2025.130222.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
半监督非负矩阵分解（NMF）因其可靠性能已广泛应用于各种聚类任务。关键在于如何有效利用少量标签信息，以获得数据更具判别性的低维表示。为更有效地提升半监督NMF的聚类性能，本文提出了一种新的半监督NMF方法，即用于锚图嵌入的半监督结构化NMF（AESSNMF）。具体而言，AESSNMF同时使用三种监督信息，即点约束、对约束和负标签信息。此外，为处理混合符号数据，AESSNMF采用凸NMF形式，仅对系数矩阵施加非负约束。AESSNMF构建锚图以嵌入矩阵分解过程，而非直接在原始数据上执行矩阵分解。我们采用交替迭代算法优化AESSNMF的目标函数，并讨论了AESSNMF与几种相关NMF基算法的关系。大量实验结果表明，AESSNMF优于其他相关算法。
Keyword:
Anchor point
Nonnegative matrix factorization
Semi-supervised clustering
Label information
期刊
IF:
6.5
论文数:
2.5W
被引数:
6.5W
机构
暂无机构信息
引用论文
Domain adaptive learning based on equilibrium distribution and dynamic subspace approximation基于均衡分布和动态子空间逼近的域自适应学习
PREAI
分享收藏Group Sparsity and Graph Regularized Semi-Nonnegative Matrix Factorization with Discriminability for Data Representation.png)
Entropy
OAAI
EntropyIF0
OAAI分享收藏
Convex Non-Negative Matrix Factorization With Adaptive Graph for Unsupervised Feature Selection
PREAI
分享收藏
查看更多内容