基于深度矩阵因式分解和分区对齐的多视角聚类
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
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
多视角数据提供了比传统单视角数据更丰富的信息,多视角聚类算法旨在发现多视角数据之间共享的潜在结构,但现有方法往往没有充分利用多视角数据之间的横向协作,本文提出了一种基于横向协作的联合多视角协同聚类方法 (JMVCC),包括使用非负矩阵分解 (NMF) 和横向协作原则生成基本分区,以及使用集成聚类方法融合这些局部分区,同时提出一种加权方法来降低低质量视角对生成和融合局部分区的负面影响,实验证明 JMVCC 在各种数据集上优于其他多视角聚类算法,对噪声视角具有鲁棒性。
Oct, 2023
本文提出一种深度多视角聚类 (Multi-view Clustering) 框架,将数据恢复和对齐融合在一个层次一致的方式中,通过最大化不同视角之间的互信息,并确保它们的潜在空间的一致性来解决多视角数据在现实世界应用中的视角缺失和不对齐问题。实验结果表明,我们的方法在多视角聚类中显著优于现有方法,即使在视角缺失和不对齐的情况下也是如此。
Oct, 2023
本研究介绍了一种名为 MVMC 的多视图多聚类算法,将自表示学习应用于多视图数据中,使用 Hilbert-Schmidt 独立性标准降低矩阵之间的冗余并收集共享信息,再采用矩阵分解生成多个高质量多样性聚类,并进一步扩展到多视图多共聚类(MVMCC)。实验结果表明,本方法在多视图数据中生成的多样性聚类(共聚类)优于当前现有的算法。
May, 2019
提出了一种名为 OS-LFMVC-CS 的一步式后融合多视图聚类框架,通过使用一致子空间对齐分区矩阵和优化分区融合,利用融合的分区矩阵指导离散标签的学习,在验证了收敛性的基础上,提出了一种六步迭代优化方法,实验证明了该方法的有效性和高效性。
Jan, 2024
提出了一种名为 Sufficient Multi-View Clustering (SUMVC) 的新方法,该方法从信息理论的角度考察多视图聚类框架,通过开发简单可靠的多视图聚类方法和提出足够的表示下界,解决了多视图聚类中的冗余信息和一致信息问题,为多视图数据分析提供了新的角度和有前景的解决方案。
Sep, 2023
本篇研究通过提出一个新的半监督多视图概念分解模型 SMVCF,结合多视图概念分解、标签传播和流形学习等技术,以及引入适应性权重向量,来克服传统方法中忽略标签和视角信息的不足,从而在多视图聚类任务中取得了令人满意的效果。
Jul, 2023