![](https://img-blog.csdnimg.cn/20201014180756922.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
矩阵
文章平均质量分 86
OFF JUMPOL
这个作者很懒,什么都没留下…
展开
-
Neighbouring Constraint Deep Matrix Factorization for Sequential Multi-view Clustering
多视图聚类(MVC)旨在将一组多源数据分割为其潜在的组群。为了提升性能,如何探索更好的表示方法是重要的。在本文中,我们提出了一种具有特征融合的深度矩阵分解模型,用于处理顺序多视图聚类问题。该方法通过逐层嵌入邻近约束来找到每个视图层中的聚类边界信息,并可以获得用于MVC的聚合输出表示。实验证明,所提出的模型极大地提高了聚类性能,并可用于运动分割等应用中。为了逐层挖掘更清晰的聚类结构,我们采用结构正则化项[8]的思想,并引入邻近约束来寻找每一层中的聚类边界信息。原创 2024-01-21 21:38:11 · 836 阅读 · 0 评论 -
Auto-weighted multi-view clustering via deep matrix decomposition
实际数据通常从多个渠道收集或由不同的表示(即视图)组成。多视图学习提供了一种优雅的方式来分析多视图数据的低维表示。近年来,已经设计了几种多视图学习方法,并成功应用于各种任务。然而,现有的多视图学习方法通常在单层形式下工作。由于获得的表示与原始数据之间的映射包含了具有隐含的较低层次隐藏属性的相当复杂的层次信息,因此有必要以层次化的方式充分探索隐藏的结构。本文提出了一种新颖的深度多视图聚类模型,通过逐层方式揭示输入数据的层次语义。通过利用一种新颖的协作深度矩阵分解框架,可以学习与不同属性相关的隐藏表示。原创 2024-01-21 20:32:06 · 949 阅读 · 0 评论 -
Multi-view Clustering via Deep Matrix Factorization and Partition Alignment
多视角聚类(Multi-view clustering,简称MVC)在近年来得到了广泛研究,用于收集多源信息。一种典型的MVC方法是基于矩阵分解,以有效地进行降维和聚类。然而,现有方法可以通过以下考虑进一步改进:i)当前的单层矩阵分解框架不能充分利用有用的数据表示。ii)大多数算法只关注共享信息,而忽略视角特定的结构,导致次优解。iii)现有工作中未利用分区级别的信息。为了解决上述问题,我们提出了一种新颖的多视角聚类算法,通过深度矩阵分解和分区对齐。原创 2024-01-19 19:56:26 · 374 阅读 · 0 评论 -
Multi-View Clustering via Deep Matrix Factorization
最近,多视角聚类(MVC)因为许多现实世界的数据由不同的表示或视图组成而引起了更多关注。关键在于探索互补信息以使聚类问题受益。在本文中,我们提出了一种用于MVC的深度矩阵分解框架,其中采用半非负矩阵分解以逐层学习多视图数据的层次语义。为了最大化每个视图的互信息,我们强制要求最终层中每个视图的非负表示相同。此外,为了尊重每个视图数据中的固有几何结构,我们引入了图正则化项来耦合深层结构的输出表示。作为一个非平凡的贡献,我们提供了基于交替最小化策略的解决方案,并给出了收敛性的理论证明。原创 2024-01-18 21:49:15 · 926 阅读 · 0 评论 -
SCALABLE SPECTRAL CLUSTERING WITH GROUP FAIRNESS CONSTRAINTS
虽然FairSC算法能够找到更公平的聚类,但由于计算零空间的内核和显式的密集矩阵的平方根,其代价较高。我们提出了一种新的底层谱计算公式,它结合了零空间投影和霍特林的压缩,这样得到的算法称为s-FairSC,只涉及稀疏的矩阵-向量乘积,并且能够充分利用公平SC模型的稀疏性。在改进的随机块模型上的实验结果表明,s-FairSC与FairSC在恢复公平聚类方面具有可比性。与此同时,对于中等尺寸的模型,它的速度提高了12倍。原创 2024-01-04 17:44:24 · 841 阅读 · 0 评论 -
向量和矩阵的范数
矩阵的范数1-范数:列和范数,即所有矩阵列向量绝对值之和的最大值2-范数:谱范数,即A’A矩阵的最大特征值的开平方∞\infty∞范数:行和范数,即所有矩阵行向量绝对值之和的最大值F-范数:Frobenius范数,即矩阵元素绝对值的平方和再开平方核范数:矩阵A的奇异值向量的范数1-范数: 各个元素的绝对值之和;2-范数:每个元素的平方和再开平方根;∞\infty∞范数:即所有向量元素绝对值中的最大值p-范数:即向量元素绝对值的p次方和的1/p次幂...原创 2022-04-29 20:53:27 · 1207 阅读 · 0 评论 -
A block IDR(s) method for nonsymmetric linear systems with multiple right-hand sides
基于诱导降维(IDR)定理的IDR(s)是一类新的求解大型非对称线性系统的有效算法。本文将IDR(s)推广到求解具有多个右边的大型非对称线性系统。本文首先给出了IDR定理的一个变体,然后在变体IDR(s)定理的基础上提出了块IDR(s)。1. Introduction考虑求解具有多个右侧边的大的稀疏线性系统AX=B(1)AX = B \tag{1}AX=B(1)系数矩阵A是n阶非奇异实数矩阵,, X=[x1,x2,...,xm]X = [x_1, x_2, . . . , x_m]X=[x1,x原创 2022-04-29 09:03:05 · 259 阅读 · 0 评论