在多视图聚类问题中,视图间的互补性信息与差异性信息会给聚类效果带来影响;同时样本点包含的重要性信息不同,也会对聚类效果产生不同的干扰。现有方法有些没有充分利用视图间的互补性信息,或者没有利用各视图间的差异性信息和样本点中...在多视图聚类问题中,视图间的互补性信息与差异性信息会给聚类效果带来影响;同时样本点包含的重要性信息不同,也会对聚类效果产生不同的干扰。现有方法有些没有充分利用视图间的互补性信息,或者没有利用各视图间的差异性信息和样本点中的重要性信息,导致聚类效果不佳。针对上述问题,本文提出基于自相关矩阵的自适应多视图融合聚类算法(Adaptive Multi-view-fusion Clustering based on Self-correlative Matrix,AMCSM)。首先,使用特征直连技术,以更好地利用视图间的互补性信息;其次,使用自动权重机制为各视图自适应地分配适当的权重,以充分利用视图间的差异性信息;最后,对各视图施加对角的加权矩阵,并联合自相关矩阵以充分利用样本点中的重要性信息。设计统一的多步迭代框架将上述优化方案整合一起,使视图互补性信息、视图差异性信息与样本点重要性信息在迭代过程中相互促进、相互学习。实验结果表明,在灵敏度、精准度、特异度、调整兰德系数和马修斯相关系数等评价指标上,本文所提算法均取得优良结果且更具鲁棒性。展开更多
多视图聚类方法随着数据获取途径日益多样化成为研究热点,但大多数聚类方法低估了噪声和数据多结构互补性信息对聚类结果的影响,并且忽略了聚类结果对低秩张量优化过程的反向引导作用。为解决这些问题,提出了基于结构化张量学习的多视...多视图聚类方法随着数据获取途径日益多样化成为研究热点,但大多数聚类方法低估了噪声和数据多结构互补性信息对聚类结果的影响,并且忽略了聚类结果对低秩张量优化过程的反向引导作用。为解决这些问题,提出了基于结构化张量学习的多视图聚类(multi-view clustering based on structured tensor learning,MCSTL)。首先,对初始表示张量进行再次去噪使其更具准确性和鲁棒性;同时,互补地学习局部结构、全局结构和各视图间的高阶相关性,提高表示张量与原始数据本质簇结构的一致性;然后,从跨视图信息融合的亲和矩阵中学习到统一的特征矩阵,利用其隐含的聚类结构信息反向引导表示张量的优化过程;最后,对特征矩阵施加了正交约束,使其提供数据的软标签信息,并对模型进行直接聚类解释。实验表明,MCSTL在6种聚类评价指标上均表现优异,30个指标数据中有27个达到最优,从而充分验证了MCSTL的有效性和优越性。展开更多
文摘在多视图聚类问题中,视图间的互补性信息与差异性信息会给聚类效果带来影响;同时样本点包含的重要性信息不同,也会对聚类效果产生不同的干扰。现有方法有些没有充分利用视图间的互补性信息,或者没有利用各视图间的差异性信息和样本点中的重要性信息,导致聚类效果不佳。针对上述问题,本文提出基于自相关矩阵的自适应多视图融合聚类算法(Adaptive Multi-view-fusion Clustering based on Self-correlative Matrix,AMCSM)。首先,使用特征直连技术,以更好地利用视图间的互补性信息;其次,使用自动权重机制为各视图自适应地分配适当的权重,以充分利用视图间的差异性信息;最后,对各视图施加对角的加权矩阵,并联合自相关矩阵以充分利用样本点中的重要性信息。设计统一的多步迭代框架将上述优化方案整合一起,使视图互补性信息、视图差异性信息与样本点重要性信息在迭代过程中相互促进、相互学习。实验结果表明,在灵敏度、精准度、特异度、调整兰德系数和马修斯相关系数等评价指标上,本文所提算法均取得优良结果且更具鲁棒性。
文摘多视图聚类方法随着数据获取途径日益多样化成为研究热点,但大多数聚类方法低估了噪声和数据多结构互补性信息对聚类结果的影响,并且忽略了聚类结果对低秩张量优化过程的反向引导作用。为解决这些问题,提出了基于结构化张量学习的多视图聚类(multi-view clustering based on structured tensor learning,MCSTL)。首先,对初始表示张量进行再次去噪使其更具准确性和鲁棒性;同时,互补地学习局部结构、全局结构和各视图间的高阶相关性,提高表示张量与原始数据本质簇结构的一致性;然后,从跨视图信息融合的亲和矩阵中学习到统一的特征矩阵,利用其隐含的聚类结构信息反向引导表示张量的优化过程;最后,对特征矩阵施加了正交约束,使其提供数据的软标签信息,并对模型进行直接聚类解释。实验表明,MCSTL在6种聚类评价指标上均表现优异,30个指标数据中有27个达到最优,从而充分验证了MCSTL的有效性和优越性。
