Jun, 2023

多视角多样化表示的一步聚类

PDF
TL;DR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。
multi-view clusteringmatrix factorizationdiverse representationself-supervised learningoptimization algorithm
发现论文，激发创造
  • 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

  • 多分区对齐聚类

    本文提出了一种基于多视角信息融合分区的一致聚类方法，并通过几个真实数据集证明了其在多视角聚类方面的有效性。

    Sep, 2019

  • 大规模数据的自权重多视角聚类

    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

  • 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

  • 多视角多聚类

    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

  • 基于结构化低秩矩阵分解的多视角谱聚类

    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。

    Sep, 2017

  • 在线多视角聚类算法（不完整视角）

    该论文提出了一种基于非负矩阵分解的在线多视图聚类算法（OMVC），可以处理大规模和不完整的视图数据，并通过动态权重和损失规范提高聚类效果。

    Nov, 2016

  • 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

  • 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