.png){kind=icon}
返回
Tensorized latent representation with automatic dimensionality selection for multi-view clustering
.png){kind=icon}
PRE
AI
DOI：10.1016/j.patcog.2024.111192.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
潜变量表示因能够捕获原始数据的基本结构并取得有前景的结果，在多视角学习领域已引起广泛关注。然而，基于潜变量表示的方法在选择潜变量视图的维度时常常面临挑战，这限制了其适用性。为解决此问题，我们提出了一种名为张量化潜变量表示与自动维度选择（TLRADS）的新方法，该方法能够自动确定最优维度。在TLRADS中，我们利用奇异值的累积贡献率来确定每个视图特定潜变量表示的维度数量。这一方法确保所选择的维度能够捕获数据变异性的显著部分，同时舍弃不相关信息。在获得潜变量视图后，我们引入张量子空间学习技术以更全面地捕获潜在的结构信息。最后，设计了一种高效的迭代算法来求解TLRADS模型。通过实验验证，我们证明了TLRADS中自动维度选择策略的有效性。同时，在真实数据集上的实验结果表明，TLRADS优于当前最先进的多元聚类方法。
Keyword:
Multi-view clustering
Latent representation
Singular value decomposition
Tensor subspace learning
期刊
IF:
7.6
论文数:
1.3W
被引数:
4.5W
机构
暂无机构信息
引用论文
From few to many: illumination cone models for face recognition under variable lighting and pose
PREAI
分享收藏Double structure scaled simplex representation for multi-view subspace clustering.png)
NEURAL NETWORKS
NEURAL NETWORKSIF6.3
PREAI
分享收藏
查看更多内容