Sep, 2017

基于结构化低秩矩阵分解的多视角谱聚类

PDF
TL;DR本文提出了一种结构化的 LRR 方法，通过因式分解成低维数据聚类表示，对每个视图进行数据聚类结构的表征，并在 laplacian 正则化器的作用下保留了每个视图的灵活的本地流形结构和迭代多视图一致性策略，通过最小化优化过程中所有因子化潜在数据聚类表示之间的发散目标，其中每个视图的此类潜在表示用于调节其他视图的表示，以协调所有视图的一致性，并在真实世界的多视图数据集上进行了广泛的实验，表明其优于现有技术水平。
multi-view spectral clusteringstructured lrrlatent data clusteringlocal manifold structureiterative multi-view agreement strategy
发现论文，激发创造
  • 迭代视图协议：基于迭代低秩结构优化方法的多视角谱聚类

    本文提出了一种多图拉普拉斯正则化的低秩表示方法来解决多视图谱聚类问题，该方法不仅在保持本地流形结构方面具有很好的性能，而且还能逐步使不同视图更加一致。在真实世界的多视图数据集上的广泛实验证明了其优越性。

    Aug, 2016

  • 超越低秩表示：多视图谱聚类最优图结构正交聚类基重构

    本文探究了低秩表示（LRR）的本质，将其发现为基于聚类投影的表示方法，通过基于低秩矩阵分解将其转换为同时学习正交聚类表示和优化本地图结构的问题，并且得到了在多视图数据上的实验验证。

    Aug, 2017

  • 多视角多样化表示的一步聚类

    提出了一种多视角聚类方法，它使用矩阵分解实现低复杂度且高效率的多视角聚类，并在自我监督学习的基础上利用多样的表示方法，避免二阶段过程，在多维度下开展信息聚合，并使用 $k$-means 进行统一聚类，得出了在各种数据集上优越的聚类性能表现。

    Jun, 2023

  • 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

  • 基于图正则化矩阵分解的不完整多视图聚类

    提出了一种使用本地信息和视图之间的互补信息来学习所有样本的通用潜在表示的简单方法，通过对每个视图的基础矩阵施加正交约束，该方法能够处理缺失视图的多视图聚类和分类任务，并证明在多个多视图数据集上能显著提高聚类性能。

    Sep, 2018

  • 关于利用张量多阶最小化统一多视角自表示聚类

    本文提出 t-SVD 基于多视角数据的子空间聚类方法，通过引入张量代数、低秩张量约束和增广 Lagrange 方法来探索多视角数据中的高阶相关性和互补信息。经过广泛实验证明，该方法在多个挑战性图像数据集上表现卓越。

    Oct, 2016

  • 低秩张量空间中基于超拉普拉斯正则化的概念因子分解方法用于多视角聚类

    提出了在低秩张量空间中采用超拉普拉斯正则化概念分解（HLRCF）进行多视角聚类，通过采取概念分解来探索每个视图的潜在簇表示，并赋予超图拉普拉斯正则化能力抽取潜在空间中的非线性局部结构。通过开发自权重张量 Schatten p 范数来约束由所有簇表示组成的张量，可以解决不同张量奇异值之间的分布不均问题。在八个基准数据集上的实验结果表明，HLRCF 在多视角方法中表现出较高的性能。

    Apr, 2023

  • 多视角聚类的共享生成潜在表示学习

    本文提出了一种基于共享生成潜在表征的多视角聚类方法，通过深度生成学习从视角中提取非线性特征并捕捉视角之间的相关性以达到更好的聚类性能，并在多个不同规模的数据集上得到了优于现有方法的实验结果。

    Jul, 2019

  • 基于深度矩阵因式分解和分区对齐的多视角聚类

    提出了一种基于深度矩阵分解与分割对齐的新型多视角聚类算法，全面利用各视角的分区表示并融合多视角信息，通过交替优化算法解决优化问题，实验结果表明该算法在六个多视角数据集中优于目前的方法。

    May, 2021

  • 基于多层图谱的聚类：谱学视角

    本文提出了两种新方法来有效地将多层图的频谱结合起来，通过联合矩阵分解和图正则化框架来提高顶点的聚类效果，同时在社交网络数据集上显示出了优异的性能。

    Jun, 2011