通过学习锚图并消除聚类中心初始化的必要性，我们引入了一种名为基于锚图因子分解的无锚点聚类（AFCAGF）的新颖方法，它通过计算样本之间的成对距离来实现。采用此方法，我们改进了模糊 k 均值聚类算法（FKM），并引入了一种新的流形学习技术，消除了初始化聚类中心的需要。此外，我们将 FKM 中聚类中心和样本之间的成员矩阵概念发展为包含多个锚点和样本的锚图。在该锚图上采用非负矩阵分解（NMF）可以直接导出聚类标签，从而消除了更多后处理步骤的要求。通过交替优化算法实现所提出的方法，确保收敛。对各种真实数据集进行的实证评估突显了我们的算法相对于传统方法的卓越功效。

Feb, 2024

基于锚点图的多视角聚类方法备受关注，为避免后处理，现有的基于锚点图的方法学习到具有连通分量的二部图，然而，这些方法对参数有很高的要求，且在某些情况下可能无法获得具有清晰连通分量的二部图。为了解决这个问题，我们提出了一种基于张量投影的标签学习方法（LLMTP），通过正交投影矩阵将锚点图投影到标签空间中直接得到聚类标签。为了充分利用多视角数据的空间结构信息，我们将矩阵投影转化为张量投影，以便在不同视角的投影中可以充分利用视角之间的空间结构信息。此外，引入了张量 Schatten p - 范数正则化，使不同视角的聚类标签矩阵尽可能一致。通过大量实验证明了该方法的有效性。

Feb, 2024

通过结合相关对象，无监督机器学习技术旨在揭示数据集中的潜在模式。在本文中，我们提出了一项关于多模态聚类算法的研究，并提出了一种名为多模态多视图非负矩阵分解的新方法，其中我们分析了多个局部 NMF 模型的协同作用。实验结果表明，所提出的方法具有较大的价值，并使用多种数据集进行评估，相比于现有的方法，获得了非常有前景的结果。

Aug, 2023

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

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

本研究介绍了一种用于学习任意结构的离散因子分析模型的半监督学习算法，该算法假定每个潜在变量都有 “锚”，即仅有该潜在变量作为其父变量的观测变量。在给定这些锚的情况下，可以恢复隐变量的矩，并利用这些矩来学习完整的模型。同时，我们还介绍了一种提高矩方法算法健壮性的新技术，即通过优化边际多面体或其松弛度。我们在 Stack Overflow 网站提问的标签预测和急诊科医学诊断两个实际任务中对我们的算法进行了评估。

Nov, 2015

本文提出了一族新的方法，将知识图谱嵌入到实值张量中，使用这些基于张量的嵌入可以更加准确地预测新事实。通过实证评估，证明了这些张量分解模型的有效性和可靠性。

Feb, 2019

本文介绍了一种基于复杂嵌入的统计关系学习方法，在实现表达能力和时间 / 空间复杂度之间权衡的同时，探索了这种复杂嵌入和酉对角化之间的联系，提出的嵌入方法仅涉及共轭内积，具有良好的可扩展性和高准确率。

Feb, 2017

本文提出了一种分布式、灵活的非线性张量分解模型，通过可避免昂贵的计算以及提供高质量推理的上限，它能够克服传统张量分解模型中的限制，并展现出在 CTR 预测方面的巨大潜力。

Apr, 2016

基于非负矩阵分解（NMF）概念的 IG-MDSR-NMF 和 IG-MDSR-RNMF 模型，通过发现数据的低秩近似，处理高维数据，并确保模型的非负性约束。与其他九种降维算法相比，两个模型在五个常用数据集上表现出明显的优越性，通过保证数据的局部结构等方面验证了低维嵌入与原始数据的对比，同时还呈现了计算复杂性和收敛性分析，从而证明了这些模型的优势。

May, 2024