提出了一种更有区分性的图学习方法,该方法具有自适应性,可以保留样本之间的成对相似度,并且有效地统一了聚类和图学习,可在不执行进一步聚类步骤的情况下直接从图本身获取聚类指标。
May, 2019
本文主要研究降低核矩阵计算成本的方法,并针对观测的核矩阵条目数或近似核矩阵的秩,确定这些方法在错误达到下限的条件。研究结果表明损失函数,正则化参数,期望预测器的范数和核矩阵秩等参数与问题难度有关,同时提出了更高效的核学习可能的情况。
Nov, 2014
为解决相似性测量困难及非线性相似性未被充分考虑等问题,在核空间中提出一种模型,同时学习聚类指示器矩阵和相似度信息,并通过多核学习能力进一步扩展模型以选择最合适的内核。该模型可自动完成三个子任务以获得最佳聚类解决方案。
May, 2017
该研究提出了一种新型的自适应核图神经网络框架(AKGNN),通过设计一种数据驱动的图内核学习机制来解决预定义核对于不同图之间间的泛化问题,同时通过参数化技巧和全局输出函数增强其表达能力,该方法在公认的基准数据集上展示了优异的性能表现。
Dec, 2021
本文提出了一种新的相似性学习框架,通过最小化核矩阵的重构误差,而不是现有的重构数据的误差,来提取相似性信息,并在聚类任务中展示了明显的改进,而且该框架为其它相似性任务提供了包括高维数据映射至低维空间在内的一种新的基础。
Mar, 2019
本研究提出了一种基于低秩变换学习的健壮子空间聚类和分类框架,其中学习的线性转换通过其凸替代核范数作为优化标准来恢复来自相同子空间的数据的低秩结构,并同时在来自不同子空间的数据之间强制产生最大分离结构,以实现更稳健的子空间聚类。所提出的框架通过大量实验表明,能够显着提高现有子空间聚类和分类方法的性能。
Sep, 2013
本文提出了一种新的本地样本加权多核聚类(LSWMKC)模型,它在核空间中构建一个共识判别力亲和力图,揭示了潜在的本地结构,并输出一个最优的邻域核,具有自然稀疏属性和清晰的块对角结构。此外,LSWMKC 隐式地优化了不同邻居在相应样本上的自适应权重,并表现出比现有的基于核或图形的聚类算法更好的本地流形表示。
Jul, 2022
本文提出了一种新的 MKL 框架,通过将每个核定义为一致核的扰动,并为接近一致核的核分配大权重来解决现有算法的各种问题。该框架被集成到用于基于图形的聚类和半监督分类的统一框架中,并在多个基准数据集上得到了实验验证,证实了新框架的优越性。
Jun, 2018
该论文提出了一种数据驱动的核选择方法,利用相似性构建和优化图,辅助选择核子集,以提高函数近似的准确性和降低计算复杂度,并且采用随机特征逼近来实现在线学习,并通过实验证明了新方法的优势。
Feb, 2021
本文提出了一种任务无关的预训练方法,使得图神经网络(GNNs)可以学习最先进的图内核函数所引发的表示,并在监督学习阶段对任务进行微调,该技术对采用的 GNNs 体系结构和内核函数是不可知的,并且在预实验结果中表现出了启示性的提高表现
Nov, 2018