×
景、培光；苏玉婷；李正南；聂立强

学习用于多视图聚类的鲁棒亲和图表示。 （英语） Zbl 1475.68276号

信息科学。 544155-167（2021）.
摘要：最近，在真实应用程序中，一个越来越普遍的趋势是数据从多个来源收集或由多个视图表示。由于亲和图在捕获样本之间的结构关系方面的强大能力，构造一个健壮且有意义的亲和图已经被广泛研究，特别是在光谱聚类任务中。然而，由于噪声的存在以及不同视图之间的异质性，传统的谱聚类扩展到多视图场景时无法获得令人满意的性能。本文提出了一个鲁棒的亲和图学习框架来解决这个问题。首先，我们采用了一种改进的特征选择算法，该算法综合了超图嵌入和稀疏回归的优点来选择重要特征，从而可以在此基础上为各种视图构造更健壮的图Laplacian矩阵。其次，我们将超图Laplacians建模为格拉斯曼流形上的点，并提出一致相似图学习（CAGL）算法来融合所有视图。CAGL旨在通过考虑聚类质量评估标准和视图一致性损失来学习所有拉普拉斯矩阵共享的潜在公共仿射矩阵。我们还开发了一种交替下降算法来优化CAGL的目标函数。在五个公开数据集上的实验表明，与现有方法相比，我们提出的方法获得了令人满意的结果。

引用于12文件

MSC公司：

68T05型 人工智能中的学习和自适应系统
05元50分 图和线性代数（矩阵、特征值等）
05C65号 Hypergraphs（Hypergraph）
62H30型 分类和区分；聚类分析（统计方面）
62兰特 歧管统计

关键词：

多视图聚类；特征选择；图形表示；格拉斯曼流形

软件：

线圈-20
PDF格式BibTeX公司 XML格式引用
\textit{P.Jing}等人，《信息科学》。544，155-167（2021年；兹比尔1475.68276）
全文： 内政部

参考文献：

[1] Bai，L。；Cheng，X。；梁，J。；Guo，Y.，《快速图聚类与社区检测的新描述模型》，信息科学（2017）
[2] T.Bühler，M.Hein，基于图p-laplacian的谱聚类，摘自：《机器学习国际会议论文集》，2009年，第81-88页。
[3] X.Cai，F.Nie，H.Huang，基于大数据的多视图k-means聚类，摘自：《国际人工智能联合会议论文集》，第2598-2604页。
[4] 蔡，X。；聂，F。；黄，H。；Kamangar，F.，通过多模态谱聚类进行异构图像特征集成，（IEEE计算机视觉和模式识别会议论文集（2011）），1977-1984
[5] Chung，F.R.，谱图理论，第92卷，美国数学学会（1997）·Zbl 0867.05046号
[6] Dong，X。；弗洛萨德，P。；范德盖恩斯特，P。；Nefedov，N.，通过格拉斯曼流形上的子空间分析对多层图进行聚类，IEEE信号处理汇刊，62，4，905-918（2014）·Zbl 1394.94973号
[7] Elhamifar，E。；Vidal，R.，稀疏子空间聚类，（IEEE计算机视觉和模式识别会议论文集（2009）），2790-2797
[8] Fischler，医学硕士。；Bolles，R.C.，《随机样本共识：图像分析和自动制图应用中模型拟合的范例》，《ACM通讯》，24，6，381-395（1981）
[9] 傅振华，叶海华，陆海华，陆振鲁，异质图像聚类的多模约束传播，载：《ACM多媒体国际会议论文集》，2011年，第143-152页。
[10] 毛重，R。；Shi，J.，《身体的cmu运动（mobo）数据库》，Citeser（2001）
[11] J.Hamm，D.D.Lee，《格拉斯曼判别分析：基于子空间学习的统一观点》，载《机器学习国际会议论文集》，2008年，第376-383页。
[12] 哈兰迪，M。；Salzmann，M。；Porikli，F.，无限维协方差矩阵的Bregman发散，（IEEE计算机视觉和模式识别会议论文集（2014）），1003-1010
[13] 哈兰迪，M。；桑德森，C。；沈，C。；Lovell，B.C.，《格拉斯曼流形上的字典学习和稀疏编码：一种外部解决方案》（IEEE国际计算机视觉会议论文集（2013）），3120-3127
[14] 哈兰迪，M.T。；桑德森，C。；Shirazi，S。；Lovell，B.C.，用于改进图像集匹配的格拉斯曼流形上的图形嵌入判别分析，（IEEE计算机视觉和模式识别会议论文集（2011）），2705-2712
[15] He，R。；张，M。；Wang，L。；纪毅。；Yin，Q.，通过成对约束进行交叉模态子空间学习，IEEE图像处理学报，24，12，5543-5556（2015）·兹比尔1408.94238
[16] C.洪。；余，J。；万，J。；陶，D。；Wang，M.，用于人体姿势恢复的多模式深度自动编码器，IEEE图像处理汇刊，24，12，5659-5670（2015）·Zbl 1408.94248号
[17] 侯，C。；聂，F。；李，X。；Yi，D。；Wu，Y.，联合嵌入学习和稀疏回归：无监督特征选择的框架，IEEE控制论汇刊，44，6，793-804（2014）
[18] Y.Hu，A.S.Mian，R.Owens，图像集分类的稀疏近似最近点，收录于：IEEE计算机视觉和模式识别会议进程，2011年，第121-128页。
[19] 黄，L。；卢，J。；Tan，Y.-P.，基于图像集的人脸识别多视角光谱聚类，IEEE Signal Processing Letters，21，7，875-879（2014）
[20] Z.Huang，R.Wang，S.Shan，X.Chen，格拉斯曼流形上的投影度量学习及其在基于视频的人脸识别中的应用，载于：IEEE计算机视觉和模式识别会议论文集，2015年，第140-149页。
[21] M.J.Huiskes，B.Thomee，M.S.Lew，《视觉概念检测的新趋势和想法：mir flickr检索评估倡议》，摘自：《多媒体信息检索国际会议论文集》，2010年，第527-536页。
[22] 康，Z。；彭，C。；Cheng，Q.，《基于平滑秩近似的稳健子空间聚类》，IEEE Signal Processing Letters，22，11，2088-2092（2015）
[23] A.Kumar，H.Daumé，《多视角谱聚类的联合训练方法》，载《机器学习国际会议论文集》，2011年，第393-400页。
[24] A.Kumar，P.Rai，H.Daume，共规则多视角光谱聚类，摘自：《神经信息处理系统进展学报》，2011年，第1413-1421页。
[25] K.-C.Lee，J.Ho，M.-H.Yang，D.Kriegman，使用概率外观流形的基于视频的人脸识别，收录于：IEEE计算机视觉和模式识别会议论文集，2003年第1卷，第I-I页。
[26] B.Leibe，B.Schiele，分析基于外观和轮廓的对象分类方法，载于：IEEE计算机视觉和模式识别会议论文集，2003年第2卷，第II-409页。
[27] 李，Z。；聂，F。；Chang，X。；聂，L。；张，H。；Yang，Y.，具有灵活嵌入的秩约束谱聚类，IEEE神经网络和学习系统汇刊，29，12，6073-6082（2018）
[28] 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模式分析和机器智能汇刊，35，1，171-184（2013）
[29] Mazzeo，G.M。；Masciari，E。；Zaniolo，C.，《围绕质心进行无监督聚类的快速准确算法》，《信息科学》，400，63-90（2017）
[30] S.A.Nene、S.K.Nayar、H.Murase等人，哥伦比亚物体图像库（线圈-20），1996年。
[31] 聂，F。；黄，H。；蔡，X。；Ding，C.H.，通过联合l2,1-形式最小化进行高效和稳健的特征选择，（神经信息处理系统进展论文集（2010）），1813-1821
[32] 聂，F。；徐，D。；Tsang，I.W。；Zhang，C.，光谱嵌入聚类，（国际人工智能联合会议论文集（2009）），1181-1186
[33] 聂，F。；曾，Z。；Tsang，I.W。；徐，D。；Zhang，C.，Spectral embedded clustering:a framework for in-sample and out-of-sample spectrum clustering，IEEE Transactions on Neural Networks，22，11，1796-1808（2011），光谱嵌入聚类：样本内和样本外光谱聚类的框架
[34] 施瓦兹，S。；Rupp，M.，stiefel流形上的预测量化，IEEE信号处理快报，22，2，234-238（2015）
[35] 施，X。；郭，Z。；赖，Z。；杨，Y。；包，Z。；Zhang，D.，用于降维的联合图嵌入和稀疏回归框架，IEEE图像处理汇刊，24，41341-1355（2015）·Zbl 1408.94598号
[36] 唐，C。；卞，M。；刘，X。；李，M。；周，H。；王，P。；Yin，H.，通过潜在表示学习和流形正则化进行无监督特征选择，神经网络，117163-178（2019）
[37] 唐，C。；朱，X。；刘，X。；Wang，L.，Cross-view local structure preserved diversity and consensum learning for multi-view unsurview feature selection，AAAI Conferences on Artificial Intelligence，王·L，多视图非监督特征选择的跨视图局部结构保持多样性和共识学习，《AAAI人工智能
[38] Trigeorgis，G。；Bousmalis，K。；Zafeiriou，S。；Schuller，B.W.，用于学习属性表示的深度矩阵分解方法，IEEE模式分析和机器智能学报，39，3，417-429（2016）
[39] 图拉加，P。；Veeraraghavan，A。；Srivastava，A。；Chellappa，R.，基于图像和视频识别的grassmann和stiefel流形的统计计算，IEEE模式分析和机器智能汇刊，33，11，2273-2286（2011）
[40] Von Luxburg，U.，《光谱聚类、统计和计算教程》，17，4，395-416（2007）
[41] 王，B。；胡，Y。；高杰。；孙，Y。；Yin，B.，格拉斯曼流形上的低阶表示，（亚洲计算机视觉会议（2014）），81-96
[42] 王，H。；翁，C。；Yuan，J.，具有最小最大优化的多特征光谱聚类，（IEEE计算机视觉和模式识别会议论文集（2014）），4106-4113
[43] 王，H。；Yuan，J.，用于传递谱学习的协作多特征融合，IEEE控制论汇刊，45，3，451-461（2015）
[44] 王，X。；卞，W。；Tao，D.，Grassmannian正则化结构化多视图嵌入用于图像分类，IEEE Transactions on image Processing，22，7，2646-2660（2013）·Zbl 1373.94435号
[45] 杨，Y。；徐，D。；聂，F。；Yan，S。；庄，Y.，使用局部判别模型和全局集成的图像聚类，IEEE图像处理汇刊，19，10，2761-2773（2010）·Zbl 1371.94434号
[46] 余，J。；Rui，Y。；Chen，B.，利用点击约束和多视图特征进行图像重新分类，IEEE多媒体交易，16，1，159-168（2014）
[47] 张，C。；刘，Y。；Fu，H.，Ae2-nets:自动编码器网络中的自动编码器，（IEEE计算机视觉和模式识别会议论文集（2019）），2577-2585
[48] 郑，M。；Bu，J。；陈，C。；王，C。；张，L。；邱，G。；Cai，D.，用于图像表示的图形正则化稀疏编码，IEEE图像处理汇刊，20，5，1327-1336（2011）·兹比尔1372.94314
[49] D.Zhou，J.Huang，B.Schölkopf，超图学习：聚类、分类和嵌入，收录于：《神经信息处理系统进展学报》，2006年，第1601-1608页。
[50] 朱，X。；改变洛伊，C。；Gong，S.，构建稳健的谱聚类亲和图，（IEEE计算机视觉和模式识别会议论文集（2014）），1450-1457
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。