Simultaneously learning representation tensor and orthogonal projection for multi-view subspace clustering

doi:10.1016/j.neucom.2026.134255

Simultaneously learning representation tensor and orthogonal projection for multi-view subspace clustering

2026-06-11

0

PRE

AI

DOI：10.1016/j.neucom.2026.134255

原文链接

原文求助

摘要

En 中文

现有多视角子空间聚类的张量学习方法直接作用于原始数据，其中冗余和噪声可能降低所得聚类的质量。为解决上述问题，我们设计了一种新的模型——同时学习表示张量和正交投影（SLRTOP）用于多视角子空间聚类。通过引入正交投影学习，该模型使用投影矩阵将原始数据映射到低维空间，并在其中构建表示张量以缓解冗余和噪声的影响。此外，SLRTOP在统一框架内联合学习表示矩阵和相似度矩阵，从而形成更具信息量的相似度结构。在六个多视角数据集上的实验结果表明，SLRTOP的聚类性能优于几种广泛使用的现有方法。

Simultaneously learning representation tensor and orthogonal projection for multi-view subspace clustering

摘要

期刊

机构

引用论文