局部加权多核聚类与共识判别图

Jul, 2022

Local Sample-weighted Multiple Kernel Clustering with Consensus Discriminative Graph

Liang Li, Siwei Wang, Xinwang Liu, En Zhu, Li Shen...

TL;DR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。

Abstract

multiple kernel clustering (MKC) is committed to achieving optimal information fusion from a set of base kernels. Constructing precise and local kernel matrices is proved to be of vital significance in applications since the unreliable distant-distance similarity estimation would degra

multiple kernel clustering local sample-weighted kernel matrix neighborhood kernel clustering algorithms

发现论文，激发创造

基于图聚类和半监督分类的自加权多核学习

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

双重噪声最小化的多核聚类

本篇论文通过精确定义二重噪声、最小化噪声并设计了一个高效的两步迭代策略，提出了一种新的多核聚类算法，能有效地提高聚类性能。

Jul, 2022

鲁棒的局部多视角子空间聚类

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。

May, 2017

基于图聚类的低秩核学习

通过将图构建和核学习统一框架，可以通过彼此迭代的方式增强图及共识核，而我们提出了一种学习低秩核矩阵的方法，从候选核之间的邻域中寻找最优核矩阵，进而解决了现有多核学习算法中的一些问题，并得到了验证。

Mar, 2019

多个局部线性核机器

提出了一种基于局部线性分类器组合的新非线性分类器，通过使用许多局部线性核将问题转化为 l1 多核学习问题，并提供了一种可扩展的用于处理流核的通用 MKL 训练算法，从而得到了适应高准确性但较慢的非线性分类器和快速但较低准确性的线性分类器之间的分类器。

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

本地化多核学习 —— 一种凸优化方法

本文提出了一种基于局部策略的多核学习方法，采用凸优化算法和 Fenchel 对偶表示，对于应用于计算生物学和计算机视觉等应用领域的真实数据集，相比全局和非凸局部策略，此方法能够获得更高的预测准确性。

Jun, 2015

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

多核 k 均值聚类的核相关 - 不相似性

通过综合使用核相关性和差异性，我们提出了一种新的方法来提取非线性信息和实现最优聚类，从而提高聚类的性能。

Mar, 2024

基于图的在线多核学习

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