Tensor rank approximation with graph learning for robust multi-view clustering

doi:10.1016/j.knosys.2026.115648

Tensor rank approximation with graph learning for robust multi-view clustering

2026-03-02

0

PRE

AI

DOI：10.1016/j.knosys.2026.115648

原文链接

原文求助

摘要

En 中文

图学习是多视图聚类中一种重要的数据处理技术，目前图学习基于构建的相似性图，其处理过程围绕分离连贯信息与噪声信息展开。然而，现有研究路径往往存在对连贯信息中高阶关联挖掘不足以及对噪声信息抑制不充分的问题。因此，我们提出了基于图学习的张量秩近似鲁棒多视图聚类方法（TRAGL）。具体而言，我们在Stiefel流形上构建相似性图，利用样本点之间的互度量来维持原始数据结构的内在属性。随后，分离相似图中的连贯信息与噪声信息，并分别构建张量。我们设计了新的张量秩函数双指数加权张量核范数（DETWTNN），以更好地约束连贯张量并挖掘高阶信息。我们设计了新的张量稀疏范数，并将张量稀疏范数与矩阵范数的双重约束应用于噪声信息。最后，设计了基于交替方向乘子法（ADMM）的优化算法，以高效求解模型。大量实验结果表明，我们提出的方法优于大多数现有的先进多视图聚类方法。

Keyword:

Graph Learning

Multi-View Clustering

Tensor Rank Approximation

Stiefel Manifold

Noise Suppression

Tensor rank approximation with graph learning for robust multi-view clustering

摘要

期刊

机构

引用论文