多视图数据集群与相似度图学习指导无监督特征选择

科学领域:

• 计算机科学 计算机科学
• 数据科学数据科学数据科学
• 机器学习 机器学习

背景情况:

• 多视图数据集群旨在利用多个数据源的一致或互补信息,以改善结果.
• 多视图集群的挑战包括高维度,缺乏标签和数据冗余,这可能会对集群性能产生负面影响.
• 现有的方法往往难以有效地整合来自不同观点的信息,同时解决这些固有的挑战.

研究的目的:

• 开发一种新的集群算法,多视图特征选择集群 (MFSC),解决传统多视图集群的局限性.
• 结合相似度图学习和无监督特征选择的优势,以提高集群精度.
• 保持关键的集群特征,同时保持多视图数据的底层多重结构.

主要方法:

• 拟议的MFSC算法将相似度图学习与无监督特征选择相结合.
• 局部多元规范化被纳入相似度图的学习过程中.
• 来自相似度图学习的集群标签作为无监督特征选择的标准.

主要成果:

• MFSC算法有效地保留了聚类标签的特征,同时保持了多视图数据的多重结构.
• 使用基准多视图数据集和模拟数据进行了系统评估.
• 实验结果表明,与传统的多视图集群算法相比,MFSC算法实现了更高的性能.

结论:

• 开发的MFSC算法为多视图数据集群提供了一个强大的方法.
• 类似度图学习和无监督特征选择的整合在克服共同挑战方面被证明是有效的.
• 与现有方法相比,MFSC在集群效率方面取得了显著的改进.