精华内容
下载资源
问答
  • 文献阅读总结:多视图聚类
    2021-11-18 15:50:53

    本文是对多视图聚类(Multi-View Clustering)领域已读文献的归纳总结,长期更新。

    更多文献阅读总结,见:
    文献阅读总结合集

    对应论文在网上都有免费版本可以下载,若个别朋友在网上找不到相应资源,请在评论区留言说明并备注邮箱等,看到后会尽快向您传递。


    基于图的方法

    文献阅读(61)NIPS2021-Multi-view Contrastive Graph Clustering

    文献阅读(64)Access2019-Multi-View Spectral Clustering via Integrating Global and Local Graphs


    综述/理论/其他


    聚类相关

    文献阅读(66)AAAI2021-Deep Fusion Clustering Network

    文献阅读(67)TheWebConf2021-Structural Deep Clustering Network

    更多相关内容
  • LMSC多视图聚类,潜在视图子空间聚类matlab代码
  • 考虑到不同方法引起的视图冲突,多视图聚类的主要挑战是找到一种同时利用所有视图的补充信息的合适方法。 从优化的角度来看,以前的多视图聚类研究使用加权和方法来表示冲突程度,并将其视为加权和单目标优化问题。...
  • 多视图聚类学习

    2021-03-14 06:18:55
    多视图聚类学习
  • 多视图聚类

    2019-03-29 11:31:11
    多视图聚类算法在目前已经有了十分重要的研究和应用前景
  • 该mfeat数据集主要用于多视图聚类算法研究,其中已经有标签,可以用于对最终聚类算法分出来的类簇进行评估。
  • 基于子空间融合的多视图聚类算法.pdf
  • 多视图聚类的算法总结

    千次阅读 2022-04-09 14:02:29
    多视图聚类主要利用不同视图间的差异性和互补性的信息来对数据进行聚类;关键问题在于如何有效地利用个视图的信息,发挥各视图的优势,减少各视图的局限,从而获得准确且稳健的聚类性能;

    多视图聚类算法总结

    多视图聚类主要利用不同视图间的差异性和互补性的信息来对数据进行聚类;关键问题在于如何有效地利用多个视图的信息,发挥各视图的优势,减少各视图的局限,从而获得准确且稳健的聚类性能;
    两个原则:
    1)一致性原则:旨在最大化多个视图之间的一致性,如多个视图应具有相同的类别结构;
    2)互补性原则:指多视图数据的每一个视图都可能包含其他视图不具备的信息或知识,使用多个视图可以获得更加全面而准确的数据描述;

    一、基于协同学习的算法

    1、思想:基于协同学习的多视图聚类算法旨在利用
    每个视图的先验信息或学习得到的知识去引导
    其他视图上的聚类进程,在执行多次迭代策略
    后,使得所有视图上的聚类结果趋于一致,共
    识信息达到最大化。
    2、作用:基于协同学习的聚类方法可以促进不同视图间相互学习、相互改进,然而算法的有效性依赖于视图的充分性、兼容性和条件独立性三个条件,在一定程度上限制了其在复杂多视图上的应用。

    二、基于图学习的算法

    1、思想:找出一个由所有视图共享,且能够刻画所有视图相互关系的融合图,在融合图上使用图切割算法或其他谱图技术,最终获得聚类结果;
    2、该类算法的三个关键步骤:1)基于单视图分别构造初始图;2)学习融合全部视图拓扑结构的一致图;3)将聚类问题转化成图分割问题;其中最关键的是如何构造高质量的初始图和如何设计有效的图融合策略。
    3、作用:基于图结构具有可解释性强的特点,该类方法在聚类结果的解释方面具有一定优势;但是图模型的多视图聚类算法的性能大多依赖于图的初始化,而初始图的质量通常难以得到保障;

    三、基于子空间学习的算法

    1、思想:假设所有的数据对象共享 一个公共的子空间,每个视图样本在该空间中都有对应的投影或表示;多视图子空间学习的核心思想在于尽可能保留每个视图特有分布信息的情况下,寻找多个视图共享的表示空间;经典的子空间学习方法有:典型相关分析、矩阵分析、自表示、主题模型、字典学习等;
    1)基于典型相关分析(CCA)
    以最大化视图间相关性作为学习目标去寻找数据的潜在公共子空间;是多视图子空间算法的开创性研究,本质是一种浅层的视图融合方法,且特征融合过程与聚类过程独立进行,因此往往得不到较为理想的聚类结果;
    2)基于矩阵分解的方法
    核心思想是将原始数据分解为两个低维矩阵:系数矩阵和基矩阵,其中系数矩阵可以看作聚类的指示矩阵,实现数据从高维向低维的映射表示;尽管矩阵分解可以挖掘到多视图数据中隐含的聚类结构,具有一定的稳定性和鲁棒性,但是产生的低维潜在表示存在难以解释的问题;
    3)基于自表示的方法
    核心思想是通过数据之间的互相表达来重建数据自身,并基于重建系数构造样本间的相似性,从而挖掘样本之间的关系,实现数据从视图维度向样本维度的映射表示;可以划分为:多个视图共享一致的子空间、多个视图编码不同的子空间、一致性和多样性联合嵌入的子空间;能够实现数据降维的同时保留数据的流形结构,但是该类方法往往涉及较多参数、计算复杂度较高,需要的计算机资源较大;

    四、基于集成学习算法

    1、思想:充分发挥每个个体学习器的优势,形成弱弱生强的学习模式,提高算法的学习能力;这类算法通常具有很强的可扩展性,但是基聚类器的质量往往是参差不齐的,最终导致准确率降低;

    五、基于多核学习的算法

    1、思想:核函数是实现映射关系内积的一种方法,将低维特征空间映射到高维空间,使得低维特征空间线性不可分的数据在高维空间可能实现线性可分。多视图数据由于每个视图都有其特有的分布信息,单个核函数构成的核运算并不能满足多视图数据的实际分析需求。多核学习需要对不同的视图构造不同的基核,并通过线性、非线性等方式找出视图间的结构关联,有效融合多视图信息得到一致性核,最终达到提高聚类性能的目的。多核学习存在两个关键问题:一是如何选择合适的核函数;二是如何有效地组合多个核函数。
    2、结果:基于多核的多视图聚类算法通过将样本映射到可再生希尔伯特空间实现了数据的非线性映射,核方法通过利用优化组合算法进一步提高聚类性能,但存在时间复杂度较高,内存消耗较大,可扩展性较差等问题。

    六、基于深度学习的算法

    1、思想:深 度 学 习 算 法 具 有 很 强 的 非 线 性 拟 合 能力,能够使用深度结构从大规模数据中进行深层特征学习,还能表达更加复杂的目标函数,进而提升聚类和分类等学习任务的性能。根据
    获取特征表示的方式,可以将该类算法划分为两类:(1)基于共享特征表示学习的聚类算法;(2)基于联合特征表示学习的聚类算法;
    2、结果:上述基于深度的多视图聚类算法虽然在高维和大规模数据集上表现出比传统聚类更好的处理能力,但是算法依赖于聚类网络的初始化和预训练。因此,如何设计更高效可用的深度聚类算法,以及如何提升大规模多视图数据的聚类效果,将是未来深度多视图聚类研究的重点;

    七、多视图聚类研究的改进方向

    1、多视图数据的低质性问题:多视图聚类算法通常要求数据是高质量的;
    2、多视图数据的规模性问题:在信息时代,每天都会产生海量的数据,并且在许多的研究领域都涉及到多视图数据;
    3、多视图数据的动态性问题:具有时序关系的多视图数据;
    4、多视图聚类的多解性问题;

    注:每个算法划分的更详细的算法介绍,以及算法演变,可以去阅读《多视图聚类研究进展与展望》这篇文章!!!

    展开全文
  • 具有特征选择的加权多视图聚类
  • 非负数据的任务多视图聚类
  • 多视图聚类综述

    千次阅读 2021-11-22 20:53:05
    1.Consensus One-step Multi-view Subspace Clustering(2020) 解决问题:虽然上述子空间方法已经...它们很少充分利用信息量更大的多视图划分信息来改进聚类结果。ii)以前的方法通常以两步方式进行,这意味着学习到

    多视图聚类方法分类:

    区分方法(基于相似性)的方法: 

    MVC的目的是将N个主体分成K个类别,最终我们会得到一个成员矩阵H∈(N×K),它会指示哪一个主题是在同一个簇而其他主体是在其他簇。H的每一行的元素之和应该是1,这样可以确保每一行的等可能性。

    A.公共向量矩阵(多视图谱聚类)

           谱聚类的关键在于图的拉普拉斯构造,得到的特征向量反映了数据的分组结构,这组MVC方法通过假设所有视图共享相同或相似的特征向量矩阵来保证得到共同的聚类结果。有两种代表性的方法:联合训练谱聚类(co-training approach for multi-view spectral clustering)和联合正则化谱聚类(“Co-regularized multi-view spectral clustering)。

    1)谱聚类:利用图的拉普拉斯性质,其中图的边表示数据点之间的相似性,并解决图上归一化最小割的松弛问题。与其他广泛使用的方法(如仅适用于球形聚类的kmeans)相比,谱聚类可以应用于任意形状的聚类,并表现出良好的性能。目标函数如下:

    矩阵U的行是数据点的嵌入,可以被用来当作kmeans的输入。 

    关于谱聚类的具体操作可以去搜其他博客,这里只做简要介绍。

    2)协同训练多视图谱聚类:对于半监督学习,当标记和未标记的数据都可用时,两个视图的联合训练是一种广泛认可的想法。它假设在两个视图中构建的预测模型将很可能导致同一样本的相同标签。有两个主要假设可以保证共同训练的成功:(1)充分性:每个视图本身足以进行样本分类,(2)条件独立性:给定类标签,视图是条件独立的。在原始联合训练算法(Combining labeled and unlabeled data with co-training)中,使用标记数据在每个视图中训练两个初始预测函数F1和F2,然后重复执行以下步骤:将F1预测的最有把握的示例添加到标记集TrainF2,反之亦然,然后在放大的标记数据集上重新训练F1和F2。可以看出,经过多次迭代后,F1和F2将在标签上彼此一致。

    3)共正则化多视角谱聚类:共正则化是半监督多视图学习中的一种有效技术。协同正则化的核心思想是最小化作为目标函数一部分的两个视图的预测函数之间的差异。然而,在无监督学习类聚类中不存在预测函数,那么如何在聚类问题中实现协同正则化思想呢?联合正则化多视图谱聚类(Co-regularized multi-view spectral clustering)采用了图拉普拉斯算子的特征向量,在半监督模式下扮演类似于预测函数的角色。

         第一种共正则化方法:

    这个方法在不完整多视图聚类中有用到,这篇论文:《 Incomplete Multiview Spectral Clustering With Adaptive Graph Learning》

            第二种称为基于质心的联合正则化,通过将每个视图的特征向量矩阵正则化为一个共同一致的特征向量矩阵,从而使每个视图的特征向量相似。提出了相应的优化问题:

    与两两正则化算法相比,基于质心的多视图聚类算法不需要将得到的所有视图的特征向量矩阵进行组合,就可以运行kmeans算法,然而,基于质心的方法有一个潜在的缺点:噪声视图可能会影响最佳特征向量,因为它取决于所有视图。 

    Cai等人(Heterogeneous image feature integration via multi-modal spectral clustering)在视图中使用公共指示矩阵来执行多视图谱聚类,并推导出类似于基于质心的共正则化方法的公式。在每一个视图的特征向量矩阵和公共特征向量矩阵之间的不一致性判别为:

    优化问题定义如下:

    与一般的谱聚类不同,一般谱聚类先得到特征向量矩阵,然后再运行聚类(如对初始化条件敏感的k均值)来分配聚类,cai等人直接求解最终的聚类指示矩阵,因此对初始条件更具有鲁棒性。 

    4)其他: 除了上述两种具有代表性的多视图谱聚类方法外,wang等人(Multi-objective multi-view spectral clustering via pareto optimization)在视图间强制执行一个公共特征向量矩阵,并制定一个multi-objective问题,然后使用Pareto优化。


    B.公共系数矩阵(主要是多视图子空间聚类)

    在许多实际应用中,即使给定的数据是高维的,问题的内在维数往往很低。例如,给定图像中的像素数可能很大,但仅使用少数参数来描述场景的外观、几何体和动力学。这推动了寻找底层低维子空间的发展。实际上,数据可以从多个子空间中采样。子空间聚类(A tutorial on subspace clustering)是找到底层子空间,然后根据已识别的子空间正确聚类数据点的技术。

    1)子空间聚类:子空间聚类使用数据样本的自表达特性[Sparse subspace clustering: Algorithm, theory, and applications,],即,每个样本都可以由少数其他数据样本的线性组合表示。经典的子空间聚类公式如下所示:

          Z即是子空间系数矩阵(表示矩阵),可以写作以下优化问题:

    在得到子空间表示Z后,可以构造出相似矩阵W,然后进一步构造出拉普拉斯矩阵,接着执行谱聚类得到最终的聚类结果。

    2)多视图子空间聚类: 当有多视图信息的时候,每个视图的子空间表示Z(v)可以从每个视图中获得,Yin等人(Multi-view clustering via pairwise sparse subspace representation)通过强制每对视图的系数矩阵尽可能相似来共享公共系数矩阵,优化问题如下:

     其中是基于成对共正则化约束的l1范数,能够减轻噪声影响。


    C.公共指示矩阵(主要是多视图非负矩阵分解) 

    1)非负矩阵分解(NMF):目的是找到两个非负的矩阵U和V,它们的积能很好地近似于X,由于非负约束,NMF的一个特性是可以学习part-based的表示。

    2)基于NMF的多视图聚类:为了在NMF框架中组合多视图信息,Akata等人(Non-negative matrix factorization in multimodality data for segmentation and label prediction)在不同视图之间的NMF中强制执行一个公共指示矩阵,以执行多视图聚类。然而,指示矩阵V(v)在相同规模上可能没有可比性。为了使不同视图中的聚类解决方案保持有意义和可比性,Liu等人(Multi-view clustering via joint nonnegative matrix factorization)实施了一个约束,将每个视图相关的指示矩阵推向一个共同的指示矩阵,这导致了另一个受NMF和概率潜在语义分析之间联系启发的规范化约束,最终优化问题的公式为:

     即是保证比较的合理性约束,在获得了共识矩阵V*之后,每一个数据点的簇标签都可以通过计算出来。

    3)多视图k-means:通过引入指示矩阵H,可以使用NMF来制定k-均值聚类方法。k-means聚类的NMF公式是:

     其中G∈R(d×K)的列给出簇的质心。为了处理大规模多视图数据,Cai等人(Multi-view k-means clustering on big data)提出了一种多视图kmeans聚类方法,通过在不同视图之间采用公共指示矩阵,优化问题如下:

    通过学习不同视图的权重α,在多视图聚类过程中,重要视图将获得较大的权重

    4)其他 :如前所述,在子空间聚类中通常有两个步骤:找到子空间表示,然后在根据子空间表示计算出的图Laplacian上运行谱聚类。为了从不同的视图中识别一致的聚类,Gao等人[Multi-view subspace clustering]将这两个步骤合并到子空间聚类中,并在不同的视图中实施了一个通用的指标矩阵。公式如下所示:

     H是公共指示矩阵,该矩阵指示所有视图的唯一群集分配。尽管这种多视图子空间聚类方法基于子空间聚类,但它不强制使用公共系数矩阵Z,而是为不同的视图使用公共指示矩阵。因此,我们将其归类为这一类。

     Wang等人[Multi-view clustering and feature learning via structured sparsity]通过一个公共指标矩阵集成多视图信息,并通过以下公式为不同的数据集群同时选择特征:

     在[Double constrained nmf for partial multi-view clustering]中,采用了矩阵分解方法来协调各个视图产生的聚类。具体地说,创建一个包含每个单独视图的分区指示的矩阵,然后将其分解为两个矩阵:一个显示单个groupings对最终多视图集群的贡献,称为元集群,另一个显示实例对元集群的分配。Tang等人[Clustering with multiple graphs]将多视图聚类视为具有多个图的聚类,每个图通过两个因子的矩阵分解进行近似:一个特定于图的因子和一个所有图共有的因子。Qian等人[Double constrained nmf for partial multi-view clustering]要求每个视图的指示矩阵尽可能接近公共指示矩阵,并采用拉普拉斯正则化来同时保持视图的潜在几何结构。

    除了使用通用指示矩阵外,[Multiple incomplete views clustering via weighted nonnegative matrix factorization with l21 regularization]、[Weighted multi-view clustering with feature selection]、[Online multi-view clustering with incomplete views]还引入了一个权重矩阵来指示是否存在缺失条目,以便它能够解决缺失值问题。多视图自定步长聚类方法[Multi-view self-paced learning for clustering]考虑了样本和视图的复杂性,以缓解局部极小值问题。Tao等人[From ensemble clustering to multi-view clustering]实施了一个公共指标矩阵,并以集成的方式在所有视图中寻求共识聚类。另一种利用公共指标矩阵组合多个视图的方法[Discriminatively embedded k-means for multi-view clustering]采用了线性判别分析思想,并自动对不同视图进行加权。对于基于图形的聚类方法,首先获得每个视图的相似性矩阵,Nie等人[Self-weighted multiview clustering with multiple graphs]假设一个公共指标矩阵,然后通过最小化公共指标矩阵和每个相似性矩阵之间的差异来解决问题。

    D.直接组合(主要是基于多内核的多视图聚类):除了在不同视图之间共享某些结构的方法外,通过内核进行直接视图组合是执行多视图聚类的另一种常见方法。一种自然的方法是为每个视图定义一个内核,然后将这些内核组合成凸组合[Composite kernels for hypertext categorisation][Linear prediction models with graph regularization for web-page categorization][Multi-kernel maximum entropy discrimination for multi-view learning]

    因为我对这块不是很感兴趣,所以只做列举

    1)核函数和核组合方法:

    组合多个内核的方法:

    2)核kmeans和谱聚类: 

     3)基于多核的多视图聚类

    4)其他:除了基于多内核的多视图聚类外,还有一些其他方法使用特征的直接组合来执行多视图聚类,如[Discriminatively embedded k-means for multi-view clustering],[Fusion of similarity data in clustering]。在[Tw-k-means: Automated two-level variable weighting clustering algorithm for multiview data]中,为多视图数据的聚类算法分配了两级权重:视图权重和变量权重,以确定相应视图和变量的重要性。为了将模糊聚类方法扩展到多视图聚类,在[Cofkm: a centralized method for multiple-view clustering]和[Optimized data fusion for kernel k-means clustering]中分别对每个视图进行加权,并获得模糊c-均值和模糊k-均值的多视图版本。


     E.投影后的组合(主要是基于CCA的多视图聚类):

     对于所有视图都具有相同数据类型(如“分类”或“连续”)的多视图数据,直接将它们组合在一起是合理的。然而,在实际应用中,多个表示可能具有不同的数据类型,很难直接比较它们。例如,在生物信息学中,基因信息可以是一个视图,而临床症状可以是患者聚类分析的另一个视图[Multi-view sparse co-clustering via proximal alternating linearized minimization]。显然,这些信息不能直接组合。此外,高维度和噪声也很难处理。为了解决上述问题,介绍了最后一种重要的组合方式:投影后组合。最常用的技术是典型相关分析(CCA)和核心版本的CCA(KCCA)。

    1)CCA和KCCA

    2)基于CCA的多视图聚类

     对于至少有一个完整视图的多视图数据(该视图的特征可用于所有数据点),Anusua等人[Muliview clusterting with incomplete views]借用了拉普拉斯正则化的思想来完成不完整的核矩阵,然后应用KCCA进行多视图聚类。在多视图聚类的另一种方法中,多模式矩阵A(v)∈R(N×Kv),v=1,2,···,其中每一个K对应于一个视图,然后应学习一致模式矩阵以尽可能逼近每个视图的模式矩阵。然而,由于无监督的特性,模式矩阵通常不能直接进行比较。使用CCA公式(29),Long等人[A general model for multiple view unsupervised learning]首先投影一个视图的模式矩阵,然后再与另一个视图的模式矩阵进行比较。

     同样的想法也可以用来解决不完整视图问题(即,没有完整视图)。例如,如果只有两个视图,[Partial multi-view clustering]、[Incomplete multi-view clustering via subspace learning]中的方法将数据分成两个视图的数据部分和只有一个视图的数据部分,然后投影每个视图的数据矩阵,使其接近最终指示矩阵。多视图信息由公共指示矩阵连接,该矩阵对应于两个视图的投影数据。Wang等人[Multi-view clustering with extreme learning machine]提供了一种使用极限学习机的多视图聚类方法,该方法将归一化特征空间映射到更高维的特征空间。

    展开全文
  • 多视图聚类概念

    千次阅读 2022-03-31 10:17:52
    文章目录一、多视图聚类方法分类1.1区分方法(基于相似性)的方法二、多视图聚类半监督视图学习多视图聚类(MVC)的两个重要原则,互补性和共识原则 一、多视图聚类方法分类 生成(基于模型)的方法 目的:试图了解...

    一、多视图聚类方法分类

    • 生成(基于模型)的方法
      目的:试图了解数据的基本分布,并使用生成模型表示数据,每个模型表示一个集群。

    • 区分(基于相似性)的方法
      目的:直接优化包括相似性的目标函数,以最小化簇内的平均相似性并最大化簇间的平均相似性。
      根据如何组合多视图信息,可以分为以下五类:

      • 公共特征向量矩阵(多视图谱聚类)
      • 公共系数矩阵(多视图子空间聚类)
      • 公共指示矩阵(主要是多视图非负矩阵分解聚类)
      • 直接视图组合(只要是多核聚类)
      • 在投影后的视图组合(主要是典型相关分析)

    1.1区分方法(基于相似性)的方法

    MVC的目的是将N个主体分成K个类别,最终我们会得到一个成员矩阵H∈(N×K),它会指示哪一个主体是在同一个簇而其他主体是在其他簇。H的每一行的元素之和应该是1,这样可以确保每一行的等可能性。

    二、多视图聚类

    从对事物的不同角度的理解生成多个特征描述视图,而非单个视图,就是多视图。

    若对事物作单视图特征表示,则意味着增加了特征空间的维度,且不同角度的特征合成统一视图,特征可能失去原有的意义。

    而多视图能发挥各个视图的优势,把同一数据表示成多个特征集,然后在每个特征集上可以用不同的方法进行学习,达成协同学习的目的,改善学习性能。

    半监督多视图学习

    找到标记数据较好分类的视图,然后将该视图训练出的分类器对未标记的数据进行分类,并将分类结果给到其他视图,帮助其他视图训练分类器。

    多视图聚类(MVC)的两个重要原则,互补性和共识原则

    互补性:为了更全面、更准确地描述数据对象,应该使用多个视图。在多视图数据的上下文,每个视图都足以完成特定的知识发现任务。然而,不同的视图通常包含相互补充的信息。例如,在图像处理领域,每幅图像都由不同类型的特征来描述,如lbp、sift和hog,其中lbp是一种强大的纹理特征,sift对图像的光照、噪声和旋转具有鲁棒性,而hog对边缘信息敏感。因此,有必要利用这些相互补充的信息来描述这些数据对象,并对内部集群提供更深入的见解。

    共识性:旨在最大限度地保持多个不同观点的一致性。

    谱和谱聚类

    方阵作为线性算子,它的所有特征值的全体统称方阵的谱。

    • 方阵的谱半径为最大的特征值
    • 矩阵A的谱半径:( A T A A^TA ATA)的最大特征值

    谱聚类是一种基于图论的聚类方法,通过对样本数据的(LE)拉普拉斯矩阵的特征向量进行聚类,从而达到对样本数据聚类的目的。

    展开全文
  • 错误鲁棒的多视图聚类
  • 基于邻域多核学习的后融合多视图聚类算法.pdf
  • 基于StarGAN和子空间学习的缺失多视图聚类.pdf
  • 基于LLE和LE的异构场景下的任务多视图聚类算法。
  • 基于变权和MKL的多视图聚类算法
  • 基于图的多视图聚类系统研究
  • 通过低秩和稀疏分解实现强大的多视图聚类
  • 最近的主题模型方法,即通过概率潜在语义分析(MVPLSA)的多视图学习,被设计用于多视图学习。 这些方法是生成模型的实例,而数据的流形结构将被忽略,这通常对非线性降维映射有帮助。 在本文中,我们提出了一种...
  • 二进制多视图聚类, 详细信息可以在中找到。 该代码已在Matlab 2013a上进行了评估。 资源: 我们提供了视图Caltech101数据集,可以从下载。 引文: 如果您发现我们的方法对您的研究有用,请考虑引用: 张铮,刘力...
  • 多视图聚类总结

    千次阅读 2021-04-08 17:15:17
    多视图数据的上下文,每个视图都足以完成特定的知识发现任务。然而,不同的视图通常包含相互补充的信息。例如,在图像处理领域,每幅图像都由不同类型的特征来描述,如lbp、sift和hog,其中lbp是一种强大的纹理...
  • 多视图聚类
  • 摘要:我们提出了一个新的框架,称为交叉部分多视图网络(CPM-Nets),旨在充分和灵活地利用个部分视图。我们首先为多视图表示提供了完备性和多样性的正式定义,然后从理论上证明了所学习的潜在表示的多样性。为了...
  • 现有的多视图聚类算法: 1.基于图的多视图聚类 2.视图谱聚类 3.协同训练风格聚类 4.视图子空间聚类 框架: 一般流程: 1.构造数据矩阵G,其中每一个元素gij表示数据点xi和xj之间的相似度; 2.计算图拉普拉斯...
  • 本文方法的目标是通过限制标签空间的多样性和一致性来学习多视图聚类的最优标签矩阵。首先将聚类标签松弛为一致性和多样性部分,然后将其集成到基于视图k-means矩阵分解的模型中,数学公式为 本文方法约束了...
  • 四个方面: 提出了基于矩阵范数导出正则化的多视图聚类算法。 提出了一种最优的邻居核聚类算法来增强所学最优核表示能力。 提出了一种缺失视图 K-均值算法。 提出了一种矩阵范数正则化的局部缺失视图 K-均值算法...
  • LMSC_多视图聚类PID_LMSC多视图聚类
  • LMSC_多视图聚类PID_LMSC多视图聚类_源码.zip
  • 1.《基于稀疏表示和自适应加权合作学习》 paper:Multi-view subspace clustering with intactness-aware similarity (Junpeng Tan a , Zhijing Yang a , ∗, ...CL动机:对每个视图进行协作训练,以获得包含.

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 7,902
精华内容 3,160
关键字:

多视图聚类