张力化的多维多视图聚类基于非负矩阵因子化

科学领域:

• 机器学习 机器学习
• 数据科学数据科学数据科学
• 计算机视觉 计算机视觉

背景情况:

• 多视图集群 (MVC) 算法将数据集中的样本组合在一起,但面临着可扩展性和稳定性问题.
• 现有的方法在高维数据中的计算开销,噪声和特征冗余方面存在困难.
• 非负矩阵因子化 (NMF) 方法提供了可扩展性,但在共享系数矩阵假设方面存在局限性.

研究的目的:

• 提出一种基于NMF的新的张量化多维多视图集群 (TMMVC) 方法.
• 解决现有的MVC算法的局限性,包括计算成本,噪音和功能冗余.
• 为了提高对大规模,高维度多视图数据的聚类准确性和稳定性.

主要方法:

• 将每个视图映射到嵌入不同维度的空间中,使用NMF获得视图特定的基础矩阵.
• 在共享子空间中通过视图特定的旋转矩阵将系数矩阵对齐和融合到统一的共识表示中.
• 从融合的表示和特征映射中形成一个第三阶张量,由张量Schatten-p规范规范化.
• 使用增强拉格朗奇乘法 (ALM) 方法进行优化.

主要成果:

• 拟议的TMMVC方法显著降低了计算开销.
• 张量Schatten-p规范规范化增强了底层全球结构的捕获.
• 实验结果表明TMMVC在最先进的MVC算法上始终表现出色.
• 在基准数据集上,TMMVC显示出卓越的集群准确性和可扩展性.

结论:

• TMMVC有效地解决了现有的多视图集群方法的局限性.
• 张量化方法提高了高维数据的稳定性和准确性.
• TMMVC为大规模的多视图集群任务提供了可扩展和有效的解决方案.