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
提出了增强的潜在多视图子空间聚类方法 (ELMSC),该方法通过构建增广数据矩阵来增强多视图数据的表示,以实现完全恢复潜在空间表示,并通过稀疏正则化避免冗余的一致性信息计算。实验结果表明,我们的方法在真实数据集上具有比某些最新的多视图聚类方法更高的聚类性能。
Dec, 2023
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
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
我们提出了一个全新的基于深度学习的多视角聚类框架,通过学习有意义的融合数据表示和一致的伪标签,实现对通用数据的聚类分析任务的改进。
Feb, 2024
通过提出一种新的多视角深度子空间聚类网络 (multi-view deep subspace clustering network, MvDSCN),并借助多元深度自显式矩阵 (self-representation matrix) 来学习,该模型可用于探测互补信息以有助于提取内在的结构,并且优于其他的多特征、多模态学习模型。
Aug, 2019
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
通过对数据进行一系列的小波变换,提出一种使用张量网络进行监督学习的算法,其中使用了矩阵乘积状态来处理粗粒化的数据,并使用基于密度矩阵重整化群算法的自适应算法来训练 MPS。
Jan, 2020
使用机器学习方法,如聚类方法来处理海量数据集,我们设计了并行算法来计算三阶张量的多切片聚类(MSC)。该方法基于对张量切片的谱分析,并且可独立于每个张量模式工作,适用于分布式内存系统的并行编程方式,并且通过比较证明并行算法优于顺序计算,能够实现 MSC 方法的可扩展性。
Sep, 2023
通过在两个不同的空间中进行共训练,提出了一种名为 DSCMC 的新型多视图聚类模型,以增强聚类性能。我们的方法旨在捕捉不同视图中数据点之间的内在关系和结构,并将信息从多个视图映射到共享的潜在空间。通过构建潜在一致的锚图和特征转换来实现共同优化,从而生成具有判别性能力的锚图。我们的算法具有近似线性的计算复杂度,在大规模数据集上应用非常成功。通过实验证实,与现有方法相比,我们的方法显著降低了计算复杂度并获得了更好的聚类性能。