![](https://img-blog.csdnimg.cn/20201014180756925.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
优化
文章平均质量分 94
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 -
Efficient Deep Embedded Subspace Clustering
最近,深度学习方法在数据聚类任务中取得了重大进展。深度聚类方法(包括基于距离的方法和基于子空间的方法)将聚类和特征学习整合到一个统一的框架中,聚类和表示之间相互促进。然而,深度子空间聚类方法通常是在自表达模型的框架下进行的,具有二次的时间和空间复杂度,阻碍了其在大规模聚类和实时聚类中的应用。本文提出了一种新的深度聚类机制。我们的目标是通过迭代精炼的方式从深度表示中学习子空间基,而精炼的子空间基反过来帮助学习深度神经网络的表示。该方法摆脱了自表达框架,线性扩展到样本大小,适用于任意大的数据集和在线聚类场景。原创 2023-08-28 14:51:25 · 176 阅读 · 0 评论 -
Spectral clustering based on learning similarity matrix
单细胞rna测序(scRNA-seq)技术可以在单细胞水平上生成全基因组表达数据。scRNA-seq分析的一个重要目标是对细胞进行聚类,其中每个聚类由基于基因表达模式的属于相同细胞类型的细胞组成。:我们引入了一种新的谱聚类框架,它在目标矩阵上施加稀疏结构。具体来说,我们利用多个双重随机相似矩阵来学习相似矩阵,其动机是观察到每个相似矩阵可以是数据的不同信息表示。原创 2023-08-23 10:33:26 · 137 阅读 · 0 评论 -
KKT条件|理论+算例
此时会得到**“使f(X)取最小值时的最优X*”**,进一步,如果将其值X*带入约束g(X),无非就以下三种情况。此时对**L(x, λ)**求导(等价于对f(X)求导)时既不用管约束,也没有λ的干扰。式(2):核心公式,要么λ=0,要么g(X*)=0(此处要求两者不能同时为0);(2) 当 λ≠0 时,计算X*和λ的值,并验证g(X*)≤0和λ≥0是否成立。注:如果是最大化问题,即maxf(X),约束改写为g(X)≥0的形式。(1) 当 λ=0 时,计算X*的值,并验证g(X*)≤0是否成立;转载 2023-06-07 10:03:05 · 615 阅读 · 0 评论