通过增强的张量低级来进行共识引导的个体图形学习,以实现强大的多视图集群

科学领域:

• 机器学习 机器学习
• 数据挖掘 数据挖掘
• 计算机视觉 计算机视觉

背景情况:

• 现有的基于图形的多视图集群方法经常遭受信息丢失和错误积累.
• 他们过分简化了视图间的关系,忽视了多样性,一致性和更高层次的相关性之间的协同作用.

研究的目的:

• 提出一种新的方法,即通过增强型张量低等级 (CIGETL) 进行共识引导的个人图形学习,以解决当前多视图集群技术的局限性.
• 通过使用共识图表作为指导来改善个人图表的学习,从而提高跨视图的一致性和共享信息捕获.

主要方法:

• CIGETL在一个共同的子空间中学习一致的表示,以构建一个初始的共识图.
• 然后,这个共识图被用来指导每个视图中的单个图的重建,作为自我表示的字典.
• 它结合了双拉普拉斯式多元束来平衡多样性和一致性,列总和束来适应性,以及增强的张量低级最小化来捕获更高阶的相关性.

主要成果:

• 在6个公共数据集上进行了广泛的实验.
• 与现有的多视图集群方法相比,CIGETL表现出优异的集群性能.
• 拟议的方法还显示了在聚类任务中增强的稳定性.

结论:

• 通过有效利用共识信息来指导个人图形学习,CIGETL在多视图集群方面取得了重大进展.
• 该方法成功地解决了信息丢失,错误积累和过于简单的视图间关系的问题.
• CIGETL为复杂的多视图数据分析提供了强大而高性能的解决方案.