![](https://img-blog.csdnimg.cn/20201014180756923.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
多视角聚类
介绍了一些看过的论文
无CCFA就不改名
这个作者很懒,什么都没留下…
展开
-
多视角-4-Latent Multi-view Subspace Clustering
Latent Multi-view Subspace ClusteringAbstract1 IntroductionProposed Approach原文地址:https://www.onacademic.com/detail/journal_1000040248521410_5407.htmlAbstract论文提出了一种新的潜在多视点聚类方法,该方法对具有潜在表示的数据点进行聚类,同时从多个视点中挖掘潜在的互补信息。与现有的利用原始特征重构数据点的单视图子空间聚类方法不同,我们的方法寻找潜在的潜原创 2020-11-13 21:56:24 · 1033 阅读 · 3 评论 -
多视角-3-多视角数据聚类研究
多视角数据聚类研究的学习1 Introduction学习西安交通大学王浩学长的博士毕业论文其分享的代码链接:https://github.com/cswanghao/Multi-view-Clustering1 Introduction多视角聚类旨在利用不同信息之间的一致性和互补性,展现出更好的聚类效果基于自适应近邻图学习的多视角聚类基于联合图学习的多视角聚类基于谱扰动的不完备多视角聚类基于并行化计算的多视角聚类Key Word: 多视角聚类 图聚类 谱聚类 概念分解 并行化计算原创 2020-11-08 00:04:16 · 6682 阅读 · 29 评论 -
多视角-2-Generalized Latent Multi-View Subspace Clustering
Generalized Latent Multi-View Subspace ClusteringAbstract1 Introduction3 Latent Multi-view Subspace ClusteringAbstract论文方法从多个角度探索潜在的互补信息,同时寻找潜在的潜在表征。利用多视图的互补性,潜表示比单个视图更全面地描述了数据,从而使子空间表示更加准确和稳定。提出了两个LMSC公式:基于潜在表示与每个视图之间的线性相关的线性LMSC (lLMSC)和基于神经网络处理一般关系的原创 2020-11-01 16:51:33 · 975 阅读 · 1 评论 -
多视角学习笔记
学习多视角学习论文时的一些基础知识总结稀疏编码(Sparse Coding)稀疏编码(Sparse Coding)稀疏编码算法是一种无监督学习方法,它用来寻找一组“超完备”基向量来更高效地表示样本数据。稀疏编码算法的目的就是找到一组基向量 (自然图像的小波基?)ϕi ,使得我们能将输入向量 x 表示为这些基向量的线性组合:x=∑i=1kaiϕi\mathbf{x}=\sum_{i=1}^{k} a_{i} \phi_{i}x=i=1∑kaiϕi所谓“超完备”基向量来表示输入向量 x∈Rn ,也原创 2020-10-27 16:54:09 · 528 阅读 · 0 评论 -
多视角-1-Dual Shared-Specific Multiview Subspace Clustering
Dual Shared-Specific Multiview Subspace ClusteringAbstract1 Introduction2 Related WorkAbstract近年来,多视域、多视域真实数据的可用性迅速提高,使得多视域子空间聚类得到了广泛的关注。提高多视图聚类算法的性能受到两个主要因素的挑战。首先,由于多视角数据中原始特征的冗余性较高,基于这些属性进行重构必然导致性能较差。其次,由于这种多视图数据的每个视图都可能包含相对于其他视图的独特知识,因此在同时研究每个视图的唯一性的原创 2020-10-27 16:32:26 · 655 阅读 · 0 评论