.png){kind=icon}
返回
Tensor multi-subspace learning for robust tensor-based multi-view clustering
.png){kind=icon}
PRE
AI
DOI：10.1016/j.knosys.2025.113476.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
基于张量的多视角聚类（TMVC）因其有效管理多视角来源数据的能力而备受关注。然而，实际数据集中的噪声往往削弱了通过这些方法生成的相似度矩阵的可靠性与鲁棒性。为应对这一挑战，我们提出了一种创新方法，即张量多子空间学习（TMSL）。我们的方法首先采用典型的TMVC方法生成各视角的自表示矩阵。然而，由这些自表示矩阵推导出的相似度矩阵往往难以达到期望的可靠性与鲁棒性水平。为揭示张量子空间内数据的内在结构，我们利用张量低秩表示的概念。这使我们能够提取多视角数据的高维表示，从而得到既可靠又鲁棒的 multisubspace representation tensor。随后，这两个阶段被无缝整合至统一框架中，并通过增广拉格朗日算法求解。值得注意的是，TMSL方法也可作为一种有效的后处理策略，可应用于各种TMVC方法以提升其性能。实证结果表明，TMSL优于其他当代方法，且后处理策略已被证明是一种有效的统一方法，可扩展至其他TMVC方法。
Keyword:
Multi-view clustering
Post-processing algorithm
Tensor low-rank representation
期刊
K
IF:
7.6
论文数:
1.2W
被引数:
4.5W
机构
暂无机构信息
引用论文
.png){kind=icon}
From few to many: illumination cone models for face recognition under variable lighting and pose
PREAI
分享收藏
Multi-View Adaptive Fusion Network for Spatially Resolved Transcriptomics Data Clustering用于空间分辨转录组数据聚类的多视图自适应融合网络
PREAI
分享收藏
查看更多内容