多视角数据的联合链式分析
本研究介绍了一种名为张量CCA(TCCA)的多视角学习方法,它可以处理任意数目的视角的数据。通过分析不同视角的协方差张量,TCCA试图直接最大化多个(超过两个)视角的典型相关性,并探索了容易被忽略的高阶统计数据量,可以通过最小化数据协方差张量的最佳秩1近似值来解决。
Feb, 2015
通过优化每个视图的映射,该方法能够找到直接优化多视图之间数据分析任务的相关子空间,其标准从定义良好的检索任务中产生,检测非线性和本地相似性,并且在保留跨视图邻域相似性方面优于其他替代方案。
Nov, 2015
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
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
本文旨在从潜在组件识别的角度理解基于最大化相关性的深度多视角学习,并采用一种直观的生成模型来分析多视角数据,它是共享和私有组件的不同非线性混合物,通过最大化潜在相关性,可以保证从各个视角提取共享组件(在一定程度上)并且还证明了通过适当的正则化设计,每个视图中的私有信息可以被明确地分离出来。
Jun, 2021
基于层次特征下降的锚点多视角子空间聚类方法(MVSC-HFD)通过类似性空间(STAGE 2)中的统一采样策略,以线性时间代价进一步降低计算复杂度,并通过子空间聚类(STAGE 3)来共同学习表示,从而在公共基准数据集上广泛实验表明,我们提出的模型始终优于现有技术的最新成果。
Oct, 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
提出了一种新的框架 Aligned Canonical Correlation Analysis (ACCA),通过迭代地解决对齐和多视角嵌入,解决了多数实际情况中需要的传统方法中不清晰的各种数据视角之间的对齐问题。
Dec, 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。
Jan, 2024
联合分析多个高维数据视图的典型方法是将每个视图的数据矩阵分解为三个部分:由所有数据视图的共同潜在因素生成的低秩共同源矩阵,由对应数据视图的独特潜在因素生成的低秩独特源矩阵,以及一个附加噪声矩阵。现有的分解方法通常关注共同潜在因素与独特潜在因素之间的不相关性,但对来自不同数据视图的独特潜在因素之间的同样必要的不相关性的处理不足。我们提出了一种新的分解方法,称为共同和独特潜在因素分解(D-CDLF),以有效实现这两种不相关性,适用于双视图数据。我们还讨论了在高维设置下的D-CDLF的估计。
Jun, 2024