陈华珠;王伟伟;罗寿生 多视点子空间聚类的耦合块对角正则化。 （英语） Zbl 1509.68238号 数据最小知识。发现。 36，第5期，1787-1814（2022）. 摘要：多视点子空间聚类的目的是通过将高维多源数据集合分割为相应的子空间来揭示潜在的低维结构。现有方法对亲和矩阵和/或聚类标签施加了各种约束，以提高分割精度，并在一些应用中证明了其有效性。然而，前面的约束条件对于确保相应方法的理想区分能力来说是无效的。在本文中，我们建议在一个统一的最小化问题中联合学习特定视图的亲和矩阵和公共聚类指标矩阵，其中亲和矩阵与聚类指标矩阵可以相互指导，以便于最终分割。为了实现理想的区分，我们使用块对角诱导正则性来约束亲和矩阵和聚类指标矩阵。这种耦合正则性是提高聚类准确性的双重保障。我们称之为耦合块对角正则化多视点子空间聚类（CBDMSC）。基于替代最小化方法，提出了求解新模型的算法。我们通过几个指标来评估我们的方法，并在一些常用数据集上将其与几种最先进的相关方法进行比较。结果表明，在绝大多数指标中，我们的方法优于最先进的方法。 MSC公司： 68T09号 数据分析和大数据的计算方面 62H30型 分类和区分；聚类分析（统计方面） 68T05型 人工智能中的学习和自适应系统 关键词：多视图子空间聚类;块对角正则化;亲和矩阵;集群指标矩阵;歧视 软件：COSA公司 PDF格式BibTeX公司 XML格式引用 \textit{H.Chen}等人，Data Min.Knowl。发现。36，第5号，1787--1814（2022；Zbl 1509.68238） 全文： 内政部 参考文献： [1] Boyd S、Parikh N、Chu E、Peleato B、Eckstein J等（2011），通过交替方向乘数法进行分布式优化和统计学习。机器学习基础与趋势3（1）：1-122·Zbl 1229.90122号 [2] Cai X，Nie F，Huang H，Kamangar F（2011）通过多模态谱聚类进行异构图像特征集成。摘自：IEEE计算机视觉和模式识别会议论文集，IEEE，1977-1984 [3] Cai X，Nie F，Huang H（2013）Multi-view k-means大数据聚类。在：国际人工智能联合会议论文集，IJCAI [4] Cao X，Zhang C，Fu H，Liu S，Zhang-H（2015）多样性诱导的多视点子空间聚类。摘自：IEEE计算机视觉和模式识别会议论文集，IEEE，586-594 [5] Chaudhuri K、Kakade SM、Livescu K、Sridharan K（2009）通过典型相关分析进行多视图聚类。摘自：机器学习国际会议记录，ICML，129-136 [6] 陈，H。；Wang，W。；Feng，X.，带群内效应的结构化稀疏子空间聚类，模式识别，83，107-118（2018）·doi:10.1016/j.patcog.2018年5月20日 [7] Chen MS，Huang L，Wang CD，黄D，Philip SY（2020）具有分组效应的多视角子空间聚类。IEEE控制论汇刊 [8] Dattorro J（2010）凸优化与欧几里得距离几何。露露。com公司·Zbl 1142.15014号 [9] 邓，Z。；堪萨斯州Choi；姜瑜。；Wang，J。；Wang，S.，软子空间聚类研究，信息科学，348，84-106（2016）·Zbl 1398.62161号 ·doi:10.1016/j.ins.2016.011.01 [10] 多梅尼科尼，C。；Gunopulos，D。；马，S。；Yan，B。；Al-Razgan，M。；Papadopoulos，D.，《聚类高维数据的局部自适应度量》，《数据挖掘和知识发现》，第14、1、63-97页（2007年）·doi:10.1007/s10618-006-0060-8 [11] Elhamifar E，Vidal R（2009）稀疏子空间聚类。摘自：IEEE计算机视觉和模式识别会议论文集，IEEE，2790-2797 [12] Elhamifar，E。；Vidal，R.，《稀疏子空间聚类：算法、理论和应用》，IEEE模式分析和机器智能汇刊，35，11，2765-2781（2013）·doi:10.1109/TPAMI.2013.57 [13] JH弗里德曼；Meulman，JJ，属性子集上的对象聚类（带讨论），英国皇家统计学会期刊：B系列（统计方法论），66，41815-849（2004）·Zbl 1060.62064号 ·文件编号：10.1111/j.1467-9868.2004.02059.x [14] Gao H，Nie F，Li X，Huang H（2015）多视点子空间聚类。摘自：IEEE计算机视觉国际会议论文集，IEEE，4238-4246 [15] 郭杰。；尹，W。；孙，Y。；Hu，Y.，带块对角表示的多视点子空间聚类，IEEE Access，784829-84838（2019）·doi:10.1109/ACCESS.2019.2923614 [16] 黄，S。；康，Z。；Xu，Z.，带软上限范数的自加权多视图聚类，基于知识的系统，158，1-8（2018）·doi:10.1016/j.knosys.2018.05.017 [17] 康，Z。；Shi，G。；黄，S。；Chen，W。；Pu，X。；周，JT；Xu，Z.，多视图光谱聚类的多粒度融合，基于知识的系统，189，105102（2020）·doi:10.1016/j.knosys.2019.105102 [18] 康，Z。；X.赵。；彭，C。；朱，H。；周，JT；彭，X。；Chen，W。；Xu，Z.，分区级多视图子空间聚类，神经网络，122，279-288（2020）·doi:10.1016/j.neunet.2019.10.10 [19] Lades先生。；沃布鲁根，JC；Buhmann，J。；兰格，J。；Von Der Malsburg，C。；伍兹，RP；Konen，W.，动态链接体系结构中的失真不变对象识别，IEEE计算机事务，42，3，300-311（1993）·doi:10.1109/12.10173 [20] Li，CG公司；你，C。；Vidal，R.，《结构化稀疏子空间聚类：联合亲和学习和子空间聚类框架》，IEEE图像处理汇刊，26，6，2988-3001（2017）·Zbl 1409.94342号 ·doi:10.1109/TIP.2017.2691557 [21] Liang W，Zhou S，Xiong J，Liu X，Wang S，Zhu E，Cai Z，Xu X（2020）高阶最优邻域拉普拉斯矩阵的多视图光谱聚类。IEEE知识与数据工程汇刊 [22] Lin Z，Chen M，Ma Y（2010）精确恢复受损低秩矩阵的增广拉格朗日乘子方法。arXiv预打印arXiv:1009.5055 [23] 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（2012）·doi:10.1109/TPAMI.2012.88 [24] Liu J，Liu X，Xiong J，Liao Q，Zhou S，Wang S，Yang Y（2020）带自适应局部核的最优邻域多核聚类。IEEE知识与数据工程汇刊 [25] Liu J，Liu X，Yang Y，Guo X，Kloft M，He L（2021）基于联合训练稳健数据表示的多视图子空间聚类。IEEE神经网络和学习系统汇刊 [26] Liu X，Dou Y，Yin J，Wang L，Zhu E（2016）基于矩阵诱导正则化的多核k-均值聚类。摘自：AAAI人工智能会议记录，AAAI，30 [27] Lu C，Feng J，Lin Z，Yan S（2013）基于迹套索的相关自适应子空间分割。摘自：IEEE计算机视觉国际会议论文集，IEEE，1345-1352 [28] 卢，C。；冯，J。；林，Z。；梅，T。；Yan，S.，通过块对角线表示的子空间聚类，IEEE模式分析和机器智能汇刊，41，2，487-501（2018）·doi:10.1109/TPAMI.2018.2794348 [29] Luo S，Zhang C，Zhang-W，Cao X（2018）一致且特定的多视点子空间聚类。摘自：AAAI人工智能会议论文集，AAAI，32 [30] Ojala，T。；Pietikainen，M。；Maenpaa，T.，具有局部二进制模式的多分辨率灰度和旋转不变纹理分类，IEEE模式分析和机器智能汇刊，24，7，971-987（2002）·doi:10.1109/TPAMI.2002.1017623 [31] Qi L，Shi Y，Wang H，Yang W，Gao Y（2016）基于全局低阶亲和矩阵的多视图子空间聚类。摘自：智能数据工程与自动学习国际会议论文集，321-331 [32] Rai P、Trivedi A、DauméH、DuVall SL（2010）《不完全视图的多视图聚类》。摘自：《NIPS社会计算机器学习研讨会论文集》，Citeser [33] Ren Y，Domeniconi C，Zhang G，Yu G（2014）加权自适应均值漂移聚类算法。摘自：SIAM国际数据挖掘会议记录，SIAM，794-802 [34] Shalev-Shwartz Shai（2014）《理解机器学习：从理论到算法》·Zbl 1305.68005号 [35] 史J。；Malik，J.，标准化切割和图像分割，IEEE模式分析和机器智能汇刊，22，8，888-905（2000）·数字对象标识代码：10.1109/34.868688 [36] 陶，H。；侯，C。；钱，Y。；朱，J。；Yi，D.，多视点子空间聚类的潜在完整行空间恢复，IEEE图像处理汇刊，298083-8096（2020）·兹比尔07586458 ·doi:10.1109/TIP.2020.3010631 [37] Vidal，R.，子空间聚类，IEEE信号处理杂志，28，2，52-68（2011）·doi:10.1109/MSP.2010.939739 [38] 王杰，田凤，王旭，于浩，刘C，杨磊（？？？）多元非负矩阵因式分解。附：国际人工智能联合会议记录 [39] Wang，W。；杨，C。；陈，H。；Feng，X.，统一判别和相干半监督子空间聚类，IEEE图像处理汇刊，27，5，2461-2470（2018）·兹比尔1409.94626 ·doi:10.1109/TIP.2018.2806278 [40] Wang X，Guo X，Lei Z，Zhang C，Li SZ（2017b）排他性一致性正则化多视点子空间聚类。摘自：IEEE计算机视觉与模式识别会议论文集，IEEE，923-931 [41] 王，X。；雷，Z。；郭，X。；张，C。；Shi，H。；Li，SZ，具有完整软件相似性的多视点子空间聚类，模式识别，88，50-63（2019）·doi:10.1016/j.patcog.2018.09.009 [42] Wang，Y。；林，X。；吴，L。；张伟。；张，Q。；Huang，X.，利用相关一致性对多视图数据进行鲁棒子空间聚类，IEEE图像处理汇刊，24，11，3939-3949（2015）·Zbl 1408.94694号 ·doi:10.1109/TIP.2015.2457339 [43] Wang，Y。；吴，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神经网络和学习系统汇刊，29，10，4833-4843（2018）·doi:10.1109/TNNLS.2017.2777489 [44] Wei L，Ji F，Liu H，Zhou R，Zhu C，Zhang X（2021）基于结构化稀疏关系表示的子空间聚类。IEEE神经网络和学习系统汇刊 [45] 夏，G。；Sun，H。；冯·L。；张，G。；Liu，Y.，基于鲁棒核稀疏子空间聚类的人体运动分割，IEEE图像处理汇刊，27，1，135-150（2017）·Zbl 1409.94671号 ·doi:10.1109/TIP.2017.2738562 [46] Xia R，Pan Y，Du L，Yin J（2014）基于低秩稀疏分解的稳健多视角光谱聚类。摘自：《AAAI人工智能会议记录》，AAAI，2149-2155 [47] 谢，D。；张，X。；高奇。；韩，J。；肖，S。；Gao，X.，通过联合潜在表示和相似性学习的多视图聚类，IEEE控制论交易，50，1144848-4854（2019）·doi:10.1109/TCYB.2019.2922042 [48] 谢，X。；郭，X。；刘，G。；Wang，J.，隐式块对角低秩表示，IEEE图像处理汇刊，27，1，477-489（2018）·Zbl 1409.94680号 ·doi:10.1109/TIP.2017.2764262 [49] 谢毅。；刘杰。；曲，Y。；陶，D。；张伟。；戴，L。；Ma，L.，子空间聚类的稳健核化多视图自表示，神经网络和学习系统上的IEEE事务，32，2，868-881（2020）·doi:10.1109/TNNLS.2020.2979685 [50] 徐，J。；Yu，M。；邵，L。；左，W。；孟，D。；张，L。；Zhang，D.，子空间聚类的标度单纯形表示，IEEE控制论汇刊，51，3，1493-1505（2019）·doi:10.1109/TCYB.2019.2943691 [51] 尹，Q。；Wu，S。；He，R。；Wang，L.，通过两两稀疏子空间表示的多视图聚类，神经计算，156，12-21（2015）·doi:10.1016/j.neucom.2015.017.017 [52] Yin Q，Wu S，Wang L（2015b）基于子空间学习的不完全多视图聚类。摘自：ACM国际信息和知识管理会议记录，ACM，383-392 [53] You C，Li C，Robinson DP，Vidal R（2018）基于类平衡数据的可伸缩样本子空间聚类。摘自：欧洲计算机视觉会议记录，ECCV，67-83 [54] Zhang C，Fu H，Liu S，Liu G，Cao X（2015）低秩张量约束多视点子空间聚类。在：IEEE国际计算机视觉会议论文集，IEEE，1582-1590 [55] Zhang C，Hu Q，Fu H，Zhu P，Cao X（2017a）潜在多视点子空间聚类。摘自：IEEE计算机视觉和模式识别会议论文集，IEEE，4279-4287 [56] 张，C。；Fu，H。；胡，Q。；曹，X。；谢毅。；陶，D。；Xu，D.，广义潜在多视点子空间聚类，IEEE模式分析和机器智能汇刊，42，1，86-99（2018）·doi:10.1109/TPAMI.2018.2877660 [57] 张国荣；周，YR；Wang，CD；黄，D。；He，XY，多视图子空间聚类的联合表示学习，专家系统与应用，166113913（2021）·doi:10.1016/j.eswa.2020.113913 [58] Zhang P，Liu X，Xiong J，Zhou S，Zhao W，Zhu E，Cai Z（2020）共识一步多视角子空间聚类。IEEE知识与数据工程汇刊 [59] 张，Q。；刘，Y。；朱，S。；Han，J.，基于超像素聚类和统一低阶表示的显著目标检测，计算机视觉和图像理解，161，51-64（2017）·doi:10.1016/j.cviu.2017.04.015 [60] 郑Q，朱J，李泽，庞S，王J，陈L（2020）一致互补图正则化多视点子空间聚类。arXiv预印本arXiv:2004.03106 [61] 周，T。；张，C。；龚，C。；Bhaskar，H。；Yang，J.，具有特征冗余最小化的多视图潜在空间学习，IEEE Iransactions on Control netics，50，4，1655-1668（2018）·doi:10.1109/TCYB.2018.2883673 [62] 周，T。；张，C。；彭，X。；Bhaskar，H。；Yang，J.，双共享特定多视图子空间聚类，IEEE控制论事务，50，8，3517-3530（2019）·doi:10.1109/TCYB.2019.2918495 [63] Zhu P，Hui B，Zhang C，Du D，Wen L，Hu Q（2019）多视点深子空间聚类网络。arXiv预印arXiv:1908.01978 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。