葛绍迪;李红军;罗、刘红 约束对偶图正则化正交非负矩阵三因子共聚类。 （英语） Zbl 1435.68259号 数学。问题。工程师。 2019年，文章ID 7565640，17 p.（2019）. 摘要：用于分组数据点和特征的共聚类方法最近受到了广泛关注。本文提出了一种求解协同聚类问题的约束对偶图正则化正交非负矩阵三因式分解（CDONMTF）算法。新方法采用硬约束保留样本的先验标签信息，建立两个最近邻图对数据流形和特征流形的几何结构进行编码，并结合双正交约束，显著提高了聚类性能。此外，我们还导出了CDONMTF的迭代优化方案，并证明了其收敛性。在5个UCI机器学习数据集和7个图像基准数据集上的聚类实验表明，该算法的聚类效果优于现有的一些聚类算法。 MSC公司： 68T05型 人工智能中的学习和自适应系统 15A23型 矩阵的因式分解 62H30型 分类和区分；聚类分析（统计方面） 68兰特 计算机科学中的图论（包括图形绘制） 软件：线圈-20;贾菲 PDF格式BibTeX公司 XML格式引用 \textit{S.Ge}等人，数学。问题。Eng.2019，文章ID 755640，第17页（2019；兹bl 1435.68259） 全文： 内政部 参考文献： [1] Zhao，K。；Shi，G。；Huang，S.，多视图光谱聚类的多粒度融合，基于知识的系统（2019）·doi:10.1016/j.knosys.2019.105102 [2] Zhao，K。；X.赵。；Peng，C.，分区级多视点子空间聚类，神经网络，122279-288（2019）·doi:10.1016/j.neunet.2019.10.10 [3] 康，Z。；Wen，L。；Chen，W。；Xu，Z.，基于图形聚类的低库内核学习，基于知识的系统，163，510-517（2019）·doi:10.1016/j.knosys.2018.09.009 [4] 卡里姆扎德，S。；Olafsson，S.，《使用缺失值的邻近矩阵进行数据聚类》，《应用专家系统》，126265-276（2019）·doi:10.1016/j.eswa.2019.02.022 [5] 梅伦德斯·梅伦德斯，G。；克鲁兹·帕兹（D.Cruz-Paz）。；Carrasco-Ochoa，J.A。；Martínez-Trinida，J.F.，部分聚类的改进算法，应用专家系统，121，282-291（2019）·doi:10.1016/j.eswa.2018年12月27日 [6] 卢，N。；Miao，H.，用于模式聚类和分类的结构约束非负矩阵分解，神经计算，171，400-411（2016）·doi:10.1016/j.neucom.2015.06.049 [7] 王，S。；Huang，A.，联合聚类的惩罚非负矩阵三因子化，应用专家系统，78，64-73（2017）·doi:10.1016/j.eswa.2017.01.019 [8] 侯赛因，S.F。；Ramazan，M.，《使用基于共相似性的共聚类对人类癌症微阵列数据进行双聚类》，《应用专家系统》，55，520-531（2016）·doi:10.1016/j.eswa.2016.02.029 [9] Lee，D.D。；Seung，H.S.，通过非负矩阵分解学习对象的各个部分，《自然》，401，6755，788-791（1999）·Zbl 1369.68285号 ·doi:10.1038/44565 [10] 朱伟。；Yan，Y。；彭毅，拓扑结构正则化非负矩阵因式分解在图像聚类中的应用，神经计算与应用，31，11，7381-7399（2019）·doi:10.1007/s00521-018-3572-4 [11] 关，N。；刘，T。；Zhang，Y。；陶，D。；Davis，L.S.，截断柯西非负矩阵分解，IEEE模式分析和机器智能汇刊，41，1，246-259（2019）·doi:10.1109/TPAMI.2017.2777841 [12] 卢，G.-F。；Wang，Y。；Zou，J.，带自适应图正则化子的低秩矩阵分解，IEEE图像处理汇刊，25，512196-2205（2016）·Zbl 1408.94443号 ·doi:10.1109/tip.2016.2542919 [13] Wang，T。；Liu，Y.，异构网络中基于非负因子分解矩阵的多视图社区发现算法，工程中的数学问题，2017（2017）·doi:10.1155/2017/8596893 [14] 王玉霞。；Zhang，Y.-J.，非负矩阵分解：综合评述，IEEE知识与数据工程汇刊，25，6，1336-1353（2013）·doi:10.1109/tkde.2012.51 [15] 谢，Q。；朱浩，基于多视点约束非负矩阵分解和高斯混合模型谱聚类方法的图像检索，工程数学问题，2016（2016）·Zbl 1400.62139号 ·doi:10.1155/2016/3271924 [16] 北卡罗莱纳州洛戈塞提斯。；Sheinberg，D.，视觉物体识别，《神经科学年度评论》，19577-621（1996） [17] Wachsmuth，E。；奥兰，M.W。；Perrett，D.I.，《物体及其组成部分的识别：猕猴颞叶皮层单个单位的反应》，大脑皮层，4，5，509-522（1994）·doi:10.1093/cercor/4.5.509 [18] 邓，C。；何，X。；Han，J。；Huang，T.S.，用于数据表示的图正则化非负矩阵分解，IEEE模式分析和机器智能汇刊，33，8，1548-1560（2011）·doi:10.1109/tpami.2010.231 [19] Salehani，Y.E。；Arabnejad，E。；Cheriet，M.，用于聚类的基于图和稀疏矩阵的鲁棒非负块值分解，IEEE信号处理选定主题期刊，12，6，1561-1574（2018）·doi:10.1109/jstsp.2018.2877041 [20] 王，C。；宋，X。；Zhang，J.，用于图像表示的带样本多样性的图正则化非负矩阵分解，人工智能的工程应用，68，32-39（2018）·doi:10.1016/j.engappai.2017.10.108 [21] Yang，M。；尚，R。；Jiao，L。；张伟。；袁，Y。；Yang，S.，基于特征选择的局部判别聚类的双粒度稀疏非负矩阵分解，神经计算，290，87-99（2018）·doi:10.1016/j.neucom.2018.02.044 [22] 彭，C。；Zhao，K。；胡，Y。；Cheng，J。；Cheng，Q.，带集成图和特征学习的非负矩阵分解，ACM智能系统与技术汇刊，8，3，1-29（2017）·doi:10.1145/2987378 [23] 尚，R。；Meng，Y。；Wang，W。；尚，F。；Jiao，L.，用于特征选择的基于局部判别的稀疏子空间学习，模式识别，92，219-230（2019）·doi:10.1016/j.patcog.2019.03.026 [24] 贝尔金，M。；Niyogi，P。；信德瓦尼，V。；Bartlett，P.，《流形正则化：示例学习的几何框架》，《机器学习研究杂志》，7，1，2399-2434（2006）·Zbl 1222.68144号 [25] Yang，L。；Wang，L。；高，Y。；孙，Q。；Zhao，T.，一类半监督学习方法的凸松弛框架及其在模式识别中的应用，人工智能的工程应用，35，35，335-344（2014）·doi:10.1016/j.engappai-2014年6月14日 [26] 周，D。；O.布斯克。；Lal，T.N。；韦斯顿，J。；Schölkopf，B.，《地方和全球一致性学习》，《第16届神经信息处理系统国际会议论文集》，NIPS'03，麻省理工学院出版社 [27] 刘，H。；吴，Z。；蔡，D。；Huang，T.S.，图像表示的约束非负矩阵分解，IEEE模式分析和机器智能汇刊，34，71229-3112012·doi:10.1109/tpami.2011.217 [28] Meng，Y。；尚，R。；尚，F。；Jiao，L。；Yang，S。；Stolkin，R.，数据表示的双正交约束半监督图正则化深度NMF，IEEE神经网络和学习系统汇刊，1-14（2019）·doi:10.10109/tnnls.2019.22939637 [29] 比森·G。；Grimal，C.，《多视图数据集的协同聚类：一种可并行化方法》，2012年IEEE第12届数据挖掘国际会议论文集·doi:10.1109/ICDM.2012.93 [30] 侯赛因，S.F。；Haris，M.，《稀疏高维数据的基于k均值的联合聚类（kCC）算法》，《应用专家系统》，118，20-34（2019）·doi:10.1016/j.eswa.2018.09.006 [31] Koҫ，S.ö。；奥泽尔，M。；伊利诺伊州托罗斯鲁。H。；Davulcu，H。；Jordan，J.，《政治推文中用户、问题和情绪的三位一体联合集群》，《应用专家系统》，100，79-94（2018）·doi:10.1016/j.eswa.2018.01.043 [32] 迪伦，I.S。；马莱拉，S。；Modha，D.S.，《信息论联合聚类》，第九届ACM SIGKDD知识发现和数据挖掘国际会议论文集，KDD’03，ACM [33] 拉比奥德，L。；Mohamed，N.，非负矩阵三因子化下的共聚类，第18届神经信息处理国际会议论文集——第二卷，ICONIP’11，Springer-Verlag [34] Del Buono，N。；Pio，G.，《用于联合聚类的非负矩阵三因子化：块矩阵分析》，《信息科学》，301，13-26（2015）·doi:10.1016/j.ins.2014.12.058 [35] 尚，F。；焦立中。；Wang，F.，图对偶正则化非负矩阵因式分解用于联合聚类，模式识别，45，6，2237-2250（2012）·Zbl 1234.68356号 ·doi:10.1016/j.patcog.2011.12.015 [36] Meng，Y。；尚，R。；Jiao，L。；张伟。；Yang，S.，具有稀疏和正交约束的对偶图正则化非负矩阵分解，人工智能的工程应用，69，24-35（2018）·doi:10.1016/j.engappai.2017.11.008 [37] 顾奇。；周，J.，流形上的协聚类，第15届ACM SIGKDD国际知识发现和数据挖掘会议论文集，KDD’09，ACM [38] Zhao，K。；潘，H。；海，S.C.H。；Xu，Z.，从噪声数据中鲁棒图学习，IEEE控制论汇刊，1-11（2019）·doi:10.1109/tcyb.2018.2887094 [39] 康，Z。；彭，C。；Cheng，Q.，内核驱动的相似性学习，神经计算，267210-219（2017）·doi:10.1016/j.neucom.2017.06.005 [40] 康，Z。；Xu，H。；王，B。；朱，H。；Xu，Z.，具有相似性保持的聚类，神经计算，365，211-218（2019）·doi:10.1016/j.neucom.2019.07.086 [41] 库恩，H.W。；塔克，A.W.，《非线性规划》，第二届伯克利数理统计与概率研讨会论文集·Zbl 0044.05903号 [42] Lee，D.D。；Sebastian Seung，H。；Leen，T.K。；Dietterich，T.G。；Tresp，V.，非负矩阵分解算法，神经信息处理系统进展，13，556-562（2001），马萨诸塞州坎布里奇，美国：麻省理工学院出版社 [43] Kivinen，J。；Warmuth，M.K.，线性预测的指数梯度与梯度下降，信息与计算，132，1，1-63（1997）·Zbl 0872.68158号 ·doi:10.1006/inco.1996.2612 [44] 蔡，D。；何，X。；Han，J.，使用局部保持索引的文档聚类，IEEE知识与数据工程学报，17，12，1624-1637（2005）·doi:10.1109/tkde.2005.198 [45] 福雷斯蒂尔，G。；Wemmert，C。；甘萨尔斯基，P。；毕，Y。；Williams，M.-A.，《使用纯度指数进行聚类的背景知识整合》，《知识科学、工程和管理》，28-38（2010），德国柏林：施普林格-柏林-海德堡，德国柏林 [46] 崔，G。；李，X。；Dong，Y.，子空间聚类引导的凸非负矩阵分解，神经计算，29238-48（2018）·doi:10.1016/j.neucom.2018.02.067 [47] 洪，S。；Choi，J。；Feyereisl，J。；Han，B。；Davis，L.S.，通过矩阵分解进行联合图像聚类和标记，IEEE模式分析和机器智能汇刊，38，7，1411-1424（2016）·doi:10.1109/tpami.2015.2487982 [48] 杨，Z。；Zhang，Y。；Xiang，Y。；Yan，W。；Xie，S.，图像聚类的双重约束非负矩阵分解，IEEE系统、人与控制论汇刊：系统，1-10（2018）·doi:10.1109/TSMC2018.282084 [49] 刘杰。；Cheng，Y。；王，X。；崔，X。；孔，Y。；Du，J.，通过离散约束和超图正则化的低秩子空间聚类用于肿瘤分子模式发现，IEEE/ACM计算生物学和生物信息学汇刊，15，5，1500-1512（2018）·数字对象标识代码：10.1109/tcb.2018.2834371 [50] Lyons，M.J。；Budynek，J。；Akamatsu，S.，单个人脸图像的自动分类，IEEE模式分析和机器智能汇刊，21,121357-1362（1999）·doi:10.1109/34.817413 [51] 内内，S.A。；Nayar，S.K。；Murase，H.，哥伦比亚物体图像库（线圈20），技术报告CUCS-005-96，美国纽约州纽约市：美国纽约州哥伦比亚大学计算机科学系 [52] Hirzer，M。；别列兹奈，C。；罗斯，P.M。；Bischof，H.，通过描述性和歧视性分类对人进行重新识别，斯堪的纳维亚图像分析会议记录（SCIA） 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。