本研究提出了在 Fisher-EM 算法的 loading matrix 中引入稀疏性以选择区分变量的方法,用于聚类高维数据,并在模拟和实际数据集上进行了实验比较。同时,还展示了这种方法在火星高光谱图像分割方面的应用。
Apr, 2012
本文提出了一种利用深度神经网络实现联合降维和 K-means 聚类的方法,通过学习非线性函数的深度神经网络,以期获得更好的聚类和降维效果。
Oct, 2016
本文提出了基于判别式监督子空间学习(DS2L)的异模检索方法,包括构建共享语义图以保留每种模态内的语义结构,引入 Hilbert-Schmidt 独立准则(HSIC)来保留样本特征相似性和语义相似性的一致性,同时引入相似性保持项以更好地保留每种模态内的语义结构,实验结果表明,该方法在三个公认的基准数据集上取得了显著的效果。
Jan, 2022
本文提出一种新的基于低秩线性回归和张量幂法的计算高效且具有保证一致性的鉴别性潜变量模型估计方法,该方法在混合线性回归模型中被验证其收敛性能优于局部优化 EM 算法。
Jun, 2013
该论文提出了一个利用最小描述长度原则(MDL)自动检测子空间数量和每个子空间中的簇数的框架,并描述了一种有效的过程,通过在子空间内进行分裂和合并子空间和簇来贪婪搜索参数空间。此外,介绍了一种编码策略,可在每个子空间中检测异常值。广泛的实验表明,该方法与最先进的方法具有很高的竞争力。
Dec, 2023
本文针对之前的距离度量学习算法中存在的一些问题,提出了一种通过分布模型在表示空间中自适应评估相似性,并通过惩罚类别分布重叠实现局部判别的新方法,在多项任务上取得了最新的分类结果,并提高了所学表示的属性集中度和层次恢复能力。
Nov, 2015
提出了增强的潜在多视图子空间聚类方法 (ELMSC),该方法通过构建增广数据矩阵来增强多视图数据的表示,以实现完全恢复潜在空间表示,并通过稀疏正则化避免冗余的一致性信息计算。实验结果表明,我们的方法在真实数据集上具有比某些最新的多视图聚类方法更高的聚类性能。
本论文考虑基于有噪声的数据子集对聚类问题进行半监督学习,提出一种新的深度生成模型和统计关系模型相结合的方法,并采用贝叶斯推断策略,采用快速(自然梯度)随机变分推断算法进行推断,实验结果显示该方法优于以往的基于众包的聚类方法。
Oct, 2018
本文提出了一种基于谱技巧和‘镜像’技巧的简单方法,用于解决由 k 个线性分类器组成的回归函数的判别学习问题,并证明了该方法在特征向量分布服从概率假设下具有近乎最优的统计效率。
Nov, 2013
在大规模多视角数据集中,我们提出了一种高效有效的多视角子空间聚类深度框架 (E$^2$LMVSC),通过提取统一的表示来增强聚类性能。
Oct, 2023