.png){kind=icon}
返回
Symmetric non-negative matrix factorization-based deep representation algorithm for multi-view clustering
.png){kind=icon}
PRE
AI
DOI：10.1016/j.engappai.2025.112738.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
对称非负矩阵分解（SNMF）在聚类任务中表现出显著优势，这归因于其独特的数学特性。然而，它仍存在若干关键局限性：(1) 传统乘性更新规则的单优化方案限制了算法的灵活性；(2) 线性分解导致对复杂非线性特征的表示能力不足；(3) 缺乏学习率引导机制。这些因素共同限制了算法在复杂数据上的表示学习能力。为解决这些问题，本文提出了一种基于SNMF的多视图聚类深度表示算法（SNDRMvC）。首先，对矩阵元素进行解耦，并采用随机梯度下降以及非线性激活函数来实现非负矩阵更新。然后，基于元素和非线性函数的对应梯度，将神经网络学习机制引入SNMF更新规则，构建用于优化SNMF的新型框架——基于SNMF的深度表示网络。该网络旨在更新各视图低维矩阵中的元素，并融合多视图的低维矩阵以推导共识矩阵。最后，在多个公开数据集上进行的广泛实验表明，所提算法在聚类性能上表现出显著优势。代码地址：https://github.com/Code706/SNDRMvC。
期刊
IF:
8
论文数:
5.8K
被引数:
3.5W
机构
引用论文
Comparative Analysis of Multiple Deep Learning Models for Forecasting Monthly Ambient PM2.5 Concentrations: A Case Study in Dezhou City, China多种深度学习模型在预测月度环境PM2.5浓度中的比较分析：中国德州市案例研究.png)
Atmosphere
OAAI
AtmosphereIF0
OAAI分享收藏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Assessing the effectiveness of long short-term memory and artificial neural network in predicting daily ozone concentrations in Liaocheng CitySCIENTIFIC REPORTS
OAAI
SCIENTIFIC REPORTSIF3.9
OAAI分享收藏
查看更多内容