{“状态”：“确定”，“消息类型”：“工作”，“信息版本”：“1.0.0”，“邮件”：{“索引”：{-“日期部分”：[[2024,9,9]]，“日期时间”：“2024-09-09T11:22:02Z”，“时间戳”：1725880922350}，“出版商位置”：“加利福尼亚”，“引用计数”：0，“出版者”：“人工智能组织国际联合会议”，“内容域”：[]，“交叉标记限制”：false｝，“短容器标题”：[]，“已出版印刷品”：｛“日期部分”：[[2018,7]]｝，“摘要”：“近年来，超图建模在样本之间的相关性表示上显示出了优越性，在分类、检索等任务中有着广泛的应用。在所有这些工作中，超图学习的性能在很大程度上取决于生成的超图结构。良好的超图结构可以更好地表示数据相关性，反之亦然。尽管超图学习近年来受到了广泛关注，但现有的大多数工作仍然依赖于静态超图结构，并且在学习过程中很少关注超图结构的优化。为了解决这个问题，本文提出了一种动态超图结构学习方法。在这种方法中，给定最初生成的超图结构，我们的工作目标是同时优化标记投影矩阵（超图学习中的常见任务）和超图结构本身。更具体地说，在这个公式中，标签投影矩阵与超图结构相关，超图结构与标签空间和特征空间的数据相关性相关。在这里，我们交替学习最优标签投影矩阵和超图结构，从而在学习过程中产生动态超图结构。我们将该方法应用于三维形状识别和手势识别任务中。在4个公共数据集上的实验结果表明，与最新方法相比，该方法具有更好的性能。我们注意到，所提出的方法可以进一步应用于其他任务<\/jats:p>“，”DOI“：”10.24963\/ijcai.2018\/439“，”type“：”议事录文章“，”created“：｛”日期部分“：[[2018,7,5]]，”日期时间“：”2018-07-05T05:49:10Z“，”时间戳“：1530769750000｝，”page“：”3162-3169“，”source“：”Crossref“，”被计数引用“：41，”title“：[”动态Hypergraph结构学习“]，”prefix“：”10.24963“，”author“：[｛”given“：”Zizhao“，“家庭”：“张，“sequence”：“first”，“affiliation”：[{“name”：“BNRist，KLISS，中国清华大学软件学院”}]}BNRist，KLISS，清华大学软件学院，中国。“}]}]，“成员”：“10584”，“事件”：{“数字”：“27”，“赞助商”：[“国际人工智能组织联合会议（IJCAI）”]，“缩写”：“IJCAI-2018”，“名称”：“第二十届国际人工智能联合会议{IJCAI-18}”，“开始”：{“日期部分”：[[2018,7,13]]}，“主题”：“人工智能”，“地点”：“斯德哥尔摩，瑞典“，”end“：{”date-parts“：[[2018,7,19]]}}，”container-title“：[”第二十届国际人工智能联合会议论文集“]，”原文标题“：[]，”deposed“：{”date-parts“：[[2018,7,5]]，”date-time“：”2018-07-05T05:52:48Z“，”timestamp“：1530769968000}，“score”：1，“resource”：{“primary”：{“URL”：“https:\/\/www.ijcai.org\/crocedures\/2018\/439“}}，”副标题“：[]，”proceedings-subject“：”人工智能研究文章“，”简短标题“：[]，”已发布“：{”日期部分“：[[2018,7]]}，“references-count”：0，“URL”：“http://\/dx.doi.org\/10.24963\/ijcai.2018\/439”，“关系”：{}，，“主题”：[]、“已发布”：{“日期”部分“：[[2018,7]]}}}