.png){kind=icon}
返回
Tensorized synergistic representation for multi-view unsupervised feature selection
.png){kind=icon}
PRE
AI
DOI：10.1016/j.patcog.2026.114239.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
随着高维多视图数据的快速增长和标注成本的高昂，多视图无监督特征选择（MUFS）受到了越来越多的关注。主要挑战在于有效利用各视图间的共识信息和互补信息。现有方法要么分别建模这些组成部分，要么将它们统一为单一表示，但两者都忽视了它们之间的潜在交互。此外，一些方法采用手动加权张量来捕捉高阶关系，但此类设计引入了额外的视图权重参数且缺乏精细化处理。为解决这些局限性，我们提出了TSR-MFS，一种用于MUFS的张量化协同表示方法。TSR-MFS首先利用缩放单纯形表示为每个视图构建自表示矩阵。然后，这些矩阵被自适应地融合为共识矩阵，同时学习视图权重。共识矩阵不仅对每个视图的自表示矩阵进行正则化，还通过迭代优化它们，增强跨视图一致性同时保留互补信息。学习到的视图权重进一步用于构建自适应加权张量，该张量在减少参数的同时能够更精细化地建模各视图间的高阶关系。最后，我们设计了一种高效的优化算法求解TSR-MFS。在八个数据集上的广泛实验证明了TSR-MFS相较于当前最先进方法的优越性。
Keyword:
Consensus and complementary information
Multi-view data
Feature selection
Weighted tensor
