May, 2017

鲁棒的局部多视角子空间聚类

PDF
TL;DR本文提出了一种新的局部多视图子空间聚类模型，该模型考虑了不同视图和样本的置信度，并通过适当地为每个视图下的每个样本分配权重，从而获得了鲁棒的一致表示，进一步在权重参数上开发了一个基于凸共轭理论的正则化器，并以自适应方式确定样本权重，使用具有收敛保证的高效迭代算法，通过四个基准上的实验结果证明了该模型的正确性和有效性。
multi-view clusteringsubspace clusteringweighted consensus representationlocalized modeladaptive weight determination
发现论文，激发创造
  • 加强型鲁棒多视角核子空间聚类

    本研究提出了一种新颖的多视图子空间聚类方法，其中采用了 Enriched Robust Multi-View Kernel Subspace Clustering 框架，结合多视角数据和谱聚类学习一致性亲和矩阵，解决了现有方法采用两阶段框架以及假设域数据均为线性子空间的问题。实验证明，该方法表现优于现有的聚类方法。

    May, 2022

  • 多视角低秩稀疏子空间聚类

    本研究提出了一种多视角子空间聚类算法，该算法通过构建共享于所有视图的相似度矩阵学习联合子空间表示，采用了重要的低秩和稀疏性约束，通过交替方向乘子法求解相关的优化问题，进一步扩展到非线性子空间，并在一个合成及四个真实数据集上表现出优于现有算法的聚类效果。

    Aug, 2017

  • 多分区对齐聚类

    本文提出了一种基于多视角信息融合分区的一致聚类方法，并通过几个真实数据集证明了其在多视角聚类方面的有效性。

    Sep, 2019

  • 通过自适应一致性图滤波的多视角子空间聚类

    本文介绍了一种多视角子空间聚类方法，利用共识重构系数矩阵和共识图滤波器进行数据平滑以及设计重构系数矩阵的规则化器，最终通过多个视角的重构系数矩阵创建约束条件，并提供了一个优化算法来获得它们的最优值。通过广泛的实验，显示该方法优于一些最先进的方法。

    Jan, 2024

  • 本地稀疏不完全多视角聚类

    本文针对在多视角数据的部分视角缺失下进行聚类的问题，提出了一种名为 LSIMVC 的简洁、高效的方法，其通过实现稀疏规则和新颖的图嵌入多视角矩阵分解模型，从不完整的多视角数据中学习出一种稀疏的结构化共识潜在表征。

    Aug, 2022

  • 大规模数据的高效、有效的多视角子空间聚类

    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

  • 大规模数据的自权重多视角聚类

    本文介绍了一种自动加权的多视角聚类算法，使用矩阵分解来解决维度固定的一致系数矩阵和视角特定基矩阵的限制，并采用六步交替优化算法进行优化，最终的聚类结果表现出优异的性能。

    Jan, 2023

  • 结构化和非同构输出的多视角学习

    本文提出了一种新的概率多视图学习算法，利用视图间的随机一致性作为正则化，该算法在结构化和非结构化问题上工作，并容易推广到部分一致情况，其中在完全一致情况下，我们的算法最小化每个视图模型之间的 Bhattacharyya 距离，并在几个平面和结构化分类问题上表现优越。

    Jun, 2012

  • 线性时间大规模多视角子空间聚类

    提出一种线性复杂度的大规模多视图子空间聚类算法，通过锚图的概念学习每个视图的较小的图形，将它们集成在一起并在较小的图形上实现谱聚类，该方法验证有效性和有效性。

    Nov, 2019

  • 自学习对称多视角概率聚类

    本文提出了一种名为 SLS-MPC 的自学习对称多视图概率聚类方法，它使用了对称多视图概率估计和自学习概率函数来实现任意视图数的数据缺失容忍，同时使用了图上下文感知的细化来消除噪声和离群值的影响，并提出了一种概率聚类算法来进行聚类分配调整，无需类别信息，在多个基准测试中明显优于现有的方法。

    May, 2023