×
尚明超;梁成;罗家伟;张华翔

通过同时学习鲁棒表示和最优图结构实现不完全多视图聚类。 （英语） Zbl 07824813号

信息科学。 640，文章ID 119038，18 p.（2023）.
摘要：不完整的多视图聚类旨在将数据样本分配到具有来自多个视图的部分可用信息的聚合组中。本文提出了一种新的广义不完全多视图聚类方法，该方法将潜在表示学习、谱嵌入和最优图聚类集成到一个统一的框架中。具体来说，该方法首先通过低秩子空间恢复学习一组特定于视图的潜在表示。为了弥补每个视图中缺失样本带来的差距，我们统一了潜在表示的维数，并通过保留局部几何结构来获得谱嵌入。此外，我们的模型通过同时逼近从多个视图重建的亲和图来寻求具有最佳聚类结构的一致性相似矩阵。因此，通过利用特定于视图的可用样本之间共享的一致信息，可以对固有子空间结构和全局簇结构进行相互优化。通过与七种竞争技术的比较，实验结果证实了该方法在两种不同类型的不完全多视图聚类任务上的优越性。

MSC公司：

62H30型 分类和区分；聚类分析（统计方面）

关键词：

不完全多视图聚类;低阶表示;光谱嵌入;图聚类
PDF格式BibTeX公司 XML格式引用
\textit{M.Shang}等人，《信息科学》。640，文章ID 119038，18 p.（2023；Zbl 07824813）
全文： 内政部

参考文献：

[1] 冷，D。；郑，L。；温，Y。；Zhang，Y。；Wu，L。；Wang，J。；王，M。；张，Z。；He，S。；Bo，X.，基于深度学习的癌症多组学数据融合方法的基准研究，基因组生物学。，23, 1, 1-32 (2022)
[2] 赵，M。；杨伟（Yang，W.）。；Nie，F.，多视图聚类的自加权正交和非负图重建，信息科学。，632, 324-339 (2023)
[3] 穆罕默德，G.S。；Al-Janabi，S.，《利用自然资源发电可再生电力的新型综合优化技术（fdire-gsk）》，《成果工程》，第16期，第100637页，（2022）
[4] 景，P。；苏，Y。；李，Z。；Nie，L.，学习多视图聚类的鲁棒亲和图表示，信息科学。，544, 155-167 (2021) ·Zbl 1475.68276号
[5] Al-Janabi，S。；Al Janabi，Z.，基于可再生太阳能和多参数函数预测直流电功率的深度学习方法的开发，神经计算。申请。，1-22 (2023)
[6] Wang，Y。；Wu，L。；林，X。；Gao，J.，通过结构化低秩矩阵分解进行多视图谱聚类，IEEE Trans。神经网络。学习。系统。，29, 10, 4833-4843 (2018)
[7] El Hajjar，S。；Dornaika，F。；Abdallah，F.，具有聚类标签相关性图的一步多视图光谱聚类，Inf.Sci。，592, 97-111 (2022)
[8] 钟，G。；Pun，C.-M.，自学多视角光谱聚类，模式识别。，第109349条pp.（2023）
[9] 周，S。；欧，Q。；刘，X。；王，S。；刘，L。；王，S。；朱，E。；尹，J。；Xu，X.，压缩子空间对齐的多核聚类，IEEE Trans。神经网络。学习。系统。，34, 1, 252-263 (2023)
[10] 郭，L。；张，X。；刘，Z。；薛，X。；王，Q。；郑，S.，基于自动加权多核学习的鲁棒子空间聚类，信息科学。，573, 453-474 (2021)
[11] Liu，X.，Simplemkkm:简单多核k-means，IEEE Trans。模式分析。机器。智力。，45, 4, 5174-5186 (2023)
[12] 张，C。；Fu，H。；刘，S。；刘，G。；Cao，X.，低秩张量约束多视点子空间聚类，（2015年IEEE国际计算机视觉会议。2015年IEEE国际计算机视觉会议，ICCV（2015）），1582-1590
[13] 张，C。；胡，Q。；Fu，H。；朱，P。；Cao，X.，潜在多视点子空间聚类，（2017 IEEE计算机视觉和模式识别会议，2017 IEEE电脑视觉和模式辨识会议，CVPR（2017）），4333-4341
[14] Fu，L。；杨，J。；陈，C。；Zhang，C.，多视点内禀子空间聚类的局部结构Low-rank张量近似，Inf.Sci。，606, 877-891 (2022)
[15] 刘杰。；曹，F。；Liang，J.，《向心导向的深度多视角k-means聚类》，《信息科学》。，609, 876-896 (2022)
[16] 杜，G。；周，L。；李，Z。；Wang，L。；Lü，K.，通过图卷积网络的邻域感知深度多视图聚类，Inf.Fusion，93，330-343（2023）
[17] 杨，X。；邓，C。；Dang，Z。；Tao，D.，深度多视图协作集群，IEEE Trans。神经网络。学习。系统。，34, 1, 516-526 (2023)
[18] 李秀英。；姜瑜。；Zhou，Z.-H.，部分多视角聚类，（《全国人工智能会议论文集》，第3卷（2014）），1968-1974
[19] 邵，W。；He，L。；Yu，P.S.，通过加权非负矩阵因式分解和l2，1正则化实现多个不完全视图聚类，（2015年欧洲数据库机器学习和知识发现会议论文集-第一卷，Gewerbestrasse 11 CH-6330。2015年欧洲数据库机器学习和知识发现会议记录-第1卷，Gewerbestrasse 11 CH-6330，Cham（ZG），CHE（2015），318-334
[20] Rai，N。；Negi，S。；乔杜里，S。；Deshmukh，O.，使用图正则化nmf的部分多视图聚类，（2016年第23届国际模式识别会议，2016年第二十三届国际模式辨识会议，ICPR（2016）），2192-2197
[21] 邵，W。；He，L。；卢，C.-T。；Yu，P.，《不完全视图的在线多视图聚类》，1012-1017（2016）
[22] Wen，J。；张，Z。；Xu，Y。；Zhong，Z.，通过图正则化矩阵分解的不完全多视图聚类，（欧洲计算机视觉会议（ECCV）研讨会论文集，计算机视觉-ECCV 2018研讨会（2018）），731-748
[23] 胡，M。；Chen，S.，Doubly aligned incomplete multi-view clustering，（第二十七届国际人工智能联合会议论文集，IJCAI-18，国际人工智能组织联合会议（2018）），2262-2268
[24] 尹，J。；Sun，S.，带重构视图的不完全多视图聚类，IEEE Trans。知识。数据工程，35，3，2671-2682（2021）
[25] Wen，J。；Xu，Y。；Liu，H.，带自适应图学习的不完全多视图谱聚类，IEEE Trans。赛博。，50, 4, 1418-1429 (2020)
[26] 郭杰。；Ye，J.，《Anchors Bring Ease：部分多视图聚类的尴尬简单方法》，第33卷，第118-125页（2019年）
[27] Wen，J。；Yan，K。；张，Z。；Xu，Y。；张，B.，基于自适应图补全的不完全多视图聚类，IEEE Trans。多媒体。，23, 2493-2504 (2020)
[28] Wen，J。；Sun，H。；费，L。；李，J。；张，B.，共识引导的不完全多视角谱聚类，神经网络。，133, 207-219 (2021) ·Zbl 1475.62198号
[29] Yang，L。；沈，C。；胡，Q。；Jing，L。；Li，Y.，部分多视图聚类的自适应样本级图组合，IEEE Trans。图像处理。，29, 2780-2794 (2020) ·Zbl 07586064号
[30] Al-Janabi，S。；Alkaim，A.F.，《预测缺失值估计新工具（DRFLLS）的巧妙合作分析》，《软计算》。，24, 1, 555-569 (2020)
[31] 刘，G。；林，Z。；Yan，S。；Sun，J。；Yu，Y。；Ma，Y.，通过低秩表示实现子空间结构的稳健恢复，IEEE Trans。模式分析。机器。智力。，35, 1, 171-184 (2013)
[32] 高，H。；聂，F。；李，X。；Huang，H.，多视点子空间聚类，（2015 IEEE国际计算机视觉会议，2015 IEEE计算机视觉国际会议，ICCV（2015）），4238-4246
[33] 林，Z。；陈，M。；Ma，Y.，精确恢复受损低秩矩阵的增广拉格朗日乘子方法（2010），arXiv预印本
[34] 徐，C。；陶，D。；Xu，C.，《多视角学习调查》（2013），arXiv预印本
[35] 李，L。；万，Z。；He，H.，带联合划分和图学习的不完全多视图聚类，IEEE Trans。知识。数据工程，35，1，589-602（2023）
[36] 聂，F。；王，X。；Huang，H.，带自适应邻域的聚类和预测聚类，（ACM SIGKDD知识发现和数据挖掘国际会议论文集（2014）），977-986
[37] Al-Janabi，S。；穆罕默德，M。；Al-Sultan，A.，基于智能计算的空气污染预测新方法，软计算。，24, 1, 661-680 (2020)
[38] Xu，Y。；朱，L。；郑，Z。；李，J。；张，Z。；Zhang，H.，高效冷启动推荐的多模式离散协同过滤，IEEE Trans。知识。数据工程，35，1，741-755（2023）
[39] 聂，F。；王，X。；M.I.乔丹。；Huang，H.，基于图形聚类的约束Laplacian秩算法，（第三十届AAAI人工智能会议论文集，第三十届人工智能会议文献集，AAAI'16（2016），AAAI出版社），1969-1976
[40] Fan，K.，关于Weyl关于线性变换特征值的定理I，Proc。国家。阿卡德。科学。美国，35，11，652-655（1949）·Zbl 0041.00602号
[41] Lemaréchal，C。；博伊德，S。；vandenberghe，l.，《凸优化》，欧洲期刊Oper。研究，170，326-327（2006）
[42] 方，X。；Teng，S。；赖，Z。；何，Z。；谢S。；Wong，W.K.，用于图像分类的鲁棒潜子空间学习，IEEE Trans。神经网络。学习。系统。，29, 6, 2502-2515 (2018)
[43] 李毅。；聂，F。；黄，H。；黄，J.，基于二部图的大尺度多视角谱聚类，（第二十届AAAI人工智能会议论文集，第二十届人工智能会议文献集，AAAI'15（2015），AAAI出版社），2750-2756
[44] 郭毅，从多视角数据中学习凸子空间表示，（《第二十七届AAAI人工智能会议论文集》，第二十七届人工智能会议文献集，AAAI'13（2013），AAAI出版社），387-393
[45] 赵，H。；刘，H。；傅毅，不完全多模态视觉数据分组，（《第二十五届国际人工智能联合会议论文集》，第二十五届世界人工智能联合大会论文集，IJCAI’16（2016），AAAI出版社），2392-2398
[46] 费菲，L。；弗格斯，R。；Perona，P.，《从少数训练示例中学习生成性视觉模型：在101个对象类别上测试的增量贝叶斯方法》，《基于生成性模型的视觉专题》。基于生成模型的视觉、计算专题。视觉。图像理解。，106, 1, 59-70 (2007)
[47] 林，W.C。；Tsai，C.-F.，《缺失值插补：文献回顾与分析》（2006-2017），Artif。智力。第53版，1487-1509（2020）
[48] Emmanuel，T。；Maupong，T。；Mpoeleng，D。；Semong，T。；Mpagha，B。；Tabona，O.，《机器学习中缺失数据的调查》，J.Big data，8，1，1-37（2021）
[49] 密特拉·R。；McGough，S.F。；查克拉博蒂，T。；霍姆斯，C。；盖平，R。；Hagenbuch，N。；比德曼，S。；Noonan，J。；莱曼，B。；Shenvi，A.，《从数据中学习结构化信息》，Nat.Mach。智力。，5, 1, 13-23 (2023)
此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配，可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不要求完整或完全匹配。