聚类
文章平均质量分 95
OFF JUMPOL
这个作者很懒,什么都没留下…
展开
-
Consistency Enhancement-Based Deep Multiview Clustering via Contrastive Learning
多视图聚类(MVC)通过综合多个视图的信息将数据样本分成有意义的簇。此外,基于深度学习的方法在多视图聚类场景中展示了强大的特征学习能力。然而,在有效地推广特征表示的同时保持一致性仍然是一个棘手的问题。此外,大多数基于对比学习的现有深度聚类方法在聚类过程中忽视了聚类表示的一致性。在本文中,我们展示了如何克服上述问题,并提出了一种通过对比学习来增强一致性的深度多视图聚类方法(CCEC)。原创 2024-02-08 15:43:53 · 984 阅读 · 2 评论 -
BP Neural Network-Based Deep Non-negative Matrix Factorization for Image Clustering
深度非负矩阵分解(DNMF)是一种用于非负多层特征提取的有前途的方法。大多数DNMF算法都是通过反复运行单层NMF来构建分层结构。它们必须通过微调策略消除累积误差,然而这样做非常耗时。为了解决现有DNMF算法的缺点,本文提出了一种基于反向传播神经网络(BPNN)的新颖深度自编码器。它可以自动产生一个称为BPNN基于DNMF(BP-DNMF)的深度非负矩阵分解。实验证明,所提出的BP-DNMF算法在收敛性上表现出色。原创 2024-01-23 16:36:48 · 966 阅读 · 0 评论 -
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 · 835 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 · 371 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 · 920 阅读 · 0 评论 -
Deep spectral Clustering using Dual Autoencoder Network
论文:CVPR 2019代码:tensorflow 1.Google Drive 可以跑通!pip uninstall tensorflow!pip install tensorflow-gpu==1.15.0!pip install munkres!pip install 'h5py<3.0.0' -i https://pypi.tuna.tsinghua.edu.cn/simple!pip install keras==2.3.1!python run.py网络模型我们可以原创 2022-04-03 10:27:31 · 526 阅读 · 0 评论 -
Deep Multi-View Subspace Clustering with Anchor Graph
深度多视图子空间聚类(DMVSC)因其良好的性能而受到越来越多的关注。然而,现有的DMVSC方法仍有两个问题: (1)他们主要专注于使用自动编码器非线性嵌入数据,而嵌入可能次优聚类因为聚类目标很少被认为是自动编码器,和(2)他们通常有一个二次甚至立方复杂性,这使得它具有挑战性的处理大规模数据。为了解决这些问题,本文提出了一种新的基于锚定图(DMCAG)的深度多视图子空间聚类方法。为了明确,DMCAG可以独立学习每个视图的嵌入特征,用于获得子空间表示。原创 2023-12-21 16:02:08 · 1030 阅读 · 0 评论 -
Efficient Discrete Clustering With Anchor Graph
光谱聚类(SC)由于其在图形学习方面的突出突破,在过去的几十年里已被应用于各种数据结构的分析。然而,在松弛和离散化过程中,耗时的特征值分解(EVD)和信息损失影响了效率和精度,特别是对于大尺度数据。为了解决上述问题,本文提出了一种简单而快速的方法——锚图高效离散聚类(EDCAG),以避免通过二进制标签优化的后处理。首先,采用稀疏锚点来加速图的构造,得到了一个无参数的锚点相似度矩阵。随后,受SC中类内相似度最大化的启发,我们设计了一个锚点-样本层之间的类内相似度最大化模型。原创 2023-10-18 13:51:25 · 189 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 · 175 阅读 · 0 评论 -
SCDC--Clustering single-cell RNA-seq data with a model-based deep learning approach
单细胞RNA测序(scRNA-seq)有望提供比大量RNA测序更高的细胞差异分辨率。通过scRNA-seq对转录组进行聚类分析,可以揭示细胞的异质性和多样性。然而,scRNA-seq数据的聚类分析仍然是一个统计和计算上的挑战,因为普遍存在的退出事件使数据矩阵与普遍的“假”零计数观测模糊。在这里,我们开发了scDeepCluster,这是一种基于单细胞模型的深度嵌入聚类方法,它通过对scRNA-seq数据生成的显式建模来同时学习特征表示和聚类。原创 2023-08-23 16:17:59 · 490 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 · 135 阅读 · 0 评论 -
A Framework for Deep Constrained Clustering - Algorithms and Advances
我们表明,我们的框架不仅可以处理从标记的侧信息生成的标准的一起/分开约束(没有先前报道的良好记录的不利影响),还可以处理从新类型的侧信息(如连续值和高级领域知识)生成的更复杂的约束。本文的目的之一是探索深度学习如何能在聚类领域取得超越其他方法的进步。特别是,我们发现现有的约束聚类的非深度公式有以下局限性:-有限的限制和侧面信息( Side Information)。约束仅限于简单的一起/分开(together/apart)的约束,通常由标签生成。原创 2023-07-07 21:19:30 · 135 阅读 · 1 评论