自定义博客皮肤VIP专享

*博客头图:

格式为PNG、JPG,宽度*高度大于1920*100像素,不超过2MB,主视觉建议放在右侧,请参照线上博客头图

请上传大于1920*100像素的图片!

博客底图:

图片格式为PNG、JPG,不超过1MB,可上下左右平铺至整个背景

栏目图:

图片格式为PNG、JPG,图片宽度*高度为300*38像素,不超过0.5MB

主标题颜色:

RGB颜色,例如:#AFAFAF

Hover:

RGB颜色,例如:#AFAFAF

副标题颜色:

RGB颜色,例如:#AFAFAF

自定义博客皮肤

-+
  • 博客(23)
  • 收藏
  • 关注

原创 关于多视图聚类学习路径的一些问题

多视图学习路径

2022-10-14 16:40:22 649 1

原创 多视图聚类

基于图2017 Multi-view Clustering with Adaptively Learned Graph2018 Graph Learning for Multiview Clustering单视图学习全局图学习2019Adaptive Consistency Propagation Method for Graph Clustering2015 AAAILarge-Scale Multi view Spectral Clustering ...

2022-04-21 14:52:07 3169

原创 Generalized Incomplete Multiview Clustering With Flexible Locality Structure Diffusion

IEEE TRANSACTIONS ON CYBERNETICS, VOL. 51, NO. 1, JANUARY 20211)单个表示学习2)共识表示学习3)自适应多视图学习特点:①引入指示矩阵G可以处理任意的缺失情况 ②不但可以有效利用不完整数据中的局部信息用于表示学习,而且可以避免引入图拉普拉斯约束中的额外约束 ③通过引入一些权重μ,可以自适应平衡不同视图的重要性 ④通过UTU=I,基矩阵可以看作是...

2022-04-07 14:36:27 1096 2

原创 不完整多视图聚类近期论文

1.Adaptive Weighted Graph Fusion Incomplete Multi-View Subspace ClusteringSensors, 20202.Unified Embedding Alignment with Missing Views Inferring for Incomplete Multi-View ClusteringAAAI-19注:X+EW已经恢复了完整的数据维度3.Multiple Incomplete Views Cl.

2022-03-08 20:38:52 2709

原创 Adaptive Graph Completion Based IncompleteMulti-View Clustering(2020)

1.研究现状为了提高灵活性,人们提出了一些基于加权矩阵分解的IMC方法,其中最具代表性的是多不完全视图聚类(MIC)[23]、在线多视图聚类(OMVC)[24]、双对齐不完全多视图聚类(DAIMC)[25]和单通道不完全多视图聚类(OPIMC)[26],等 。这些方法通常将视图存在和不存在的信息作为一个加权矩阵来联合正则化所有视图的矩阵分解模型。与PMVC和IMG相比,这些基于加权矩阵分解的方法更优越,因为它们可以处理各种不完整的多视图数据。近年来,许多基于图的方法也被提出用于困难的IMC任务[27]–

2022-03-03 15:36:21 889

原创 关于范数最优化求解的公式

这是文章A novel consensus learning approach to incomplete multi-view clustering的公式推导

2022-03-02 20:31:16 793

原创 多视图聚类(+incomplete multi view cluster)

多视图聚类

2021-12-08 20:10:47 8485 1

原创 多视图聚类综述

1.Consensus One-step Multi-view Subspace Clustering(2020)解决问题:虽然上述子空间方法已经取得了显著的改进,但仍然可以从以下两点进行改进:i)现有的大多数多多视图子空间聚类方法都是先学习一个共享的亲和矩阵或图,然后应用谱聚类得到最终的聚类结果。然而,直接从原始数据学习公共亲和矩阵或图可能会影响聚类结构,因为原始数据通常包含噪声和冗余[32]。它们很少充分利用信息量更大的多视图划分信息来改进聚类结果。ii)以前的方法通常以两步方式进行,这意味着学习到

2021-11-26 22:03:32 9604 4

原创 多视图聚类(矩阵分解篇)

1.《基于稀疏表示和自适应加权合作学习》paper:Multi-view subspace clustering with intactness-aware similarity(Junpeng Tan a , Zhijing Yang a , ∗, Yongqiang Cheng b , Jielin Ye a , Bing Wang b , Qingyun Dai c )2021引言:非负矩阵存在局限:丢弃一些有用的negative信息。CL动机:对每个视图进行协作训练,以获得包含.

2021-11-22 20:51:30 2463 1

原创 多视图子空间聚类(完备感知相似性)2019

paper:Multi-view subspace clustering with intactness-aware similarity(Xiaobo Wang a , Zhen Lei b , ∗, Xiaojie Guo c , Changqing Zhang c , Hailin Shi a , Stan Z. Li b , d )解决问题:1.由于视图不足导致信息丢失,尝试从多视图数据中恢复完整的空间。例如[41],“intact”意味着完整并且未受损坏,这对图的构建非常有利。2.使用HSIS

2021-11-16 10:30:02 1602

原创 自表示和聚类同时进行的不完整多视图子空间聚类

问题引出:以往基于矩阵分解的不完整多视图聚类算法,将不完整多视图数据的表示学习和聚类作为两个独立的过程,即:他们首先学习多视图数据对应的表示矩阵,然后对一致表示矩阵进行聚类,忽略了表示学习和聚类分析相互依赖的事实。因此,不完整多视图数据的表示学习和聚类分析同时进行可以实现更好的聚类[12,11]。本文创新:1.提出了一种新的子空间聚类算法,并且不需要后处理(k-means);2.将不完整多视图学习和新的子空间聚类学习集成到同一目标函数中,并同时优化直至收敛;OMVSC-IV...

2021-11-04 17:13:35 566

原创 噪声数据中的鲁棒图学习

前言:聚类两种常用的方法:k-means和sc(谱聚类)。对于谱聚类来说,图的质量至关重要,经常采用构造的图方法:高斯核函数和k最近邻方法。存在问题:如何选择一个最优的标度因子 λ 或合适的领域数 k 仍然是一个有待解决的问题。对于图的构造研究:1.基于自表达特性,通过所有其他数据点的线性组合来表示每个数据点,得到的系数矩阵被视为图形矩阵。[45]-[48]2.自适应邻域方法,通过为每个数据点分配一个概率作为另一个数据点的邻域来构建一个图,并且学习到的概率被视为两个数据点之间的...

2021-11-02 21:21:39 342

原创 基于自适应图正则化的低秩表示

相关工作:1.稀疏子空间聚类SSC2.低秩表示LRR存在缺点:LRR和SSC目标只在于学习发现样本的低维表示结构而忽略了局部距离关系;而且,每一个样本的表示系数不能清晰地展示样本之间的相似度因为很多表示值都是负的。因此,由这两种方法构造的图没有很好的可解释性并且不能揭示数据的内在结构。本文提出方法:目的:1.获得的图可以捕获数据的局部和全局结构2.获得的图的所有元素都是非负的,可以直接揭示样本的相似度程度3。获得的图应该有准确的连接结构第一项能被看成是...

2021-11-01 17:28:59 661

原创 自适应加权图融合的不完整多视图子空间聚类

文章是张培师姐的,在文杰论文(IMSC-AGL)上改进。想法框架:方法:移除不完整的实例后构造矩阵X{i}∈RR{di×ni},先通过半非负矩阵分解学习矩阵的潜在表示(降维):为了进一步挖掘视图内的相似度结构和潜在的子空间结构,使用自表示特性在潜在表示V{i}上去构造图 :在获得了每个视图的图矩阵后,最终的目的就是合并多个不完整的信息于一个完整的定义一个指示矩阵来建立不完整图和完整图之间的关联性;由于视图间的尺寸和维度大小不一样,引入自适应学习权重{...

2021-11-01 15:23:03 775

原创 基于自适应图学习的不完整多视图谱聚类

论文:IEEE Xplore Full-Text PDF:https://ieeexplore.ieee.org/stamp/stamp.jsp?tp=&arnumber=8587123&tag=1Multiview subspace clustering其中Z是自表示矩阵,E是一个误差矩阵被用来模拟不同的噪声。MVSC将图构造和低维表示学习集成到一个联合学习框架中,使其能够找到全局最优的聚类指标矩阵。通过交替求解所有变量,MVSC可以找到一致性表示F的局部最优值。然后,MV..

2021-10-14 10:10:14 990

原创 基于图学习的多视图聚类

1.Intrinsic Graph Learning With Discrete Constrained Diffusion–Fusion(2021IEEE第一项是用来捕获关于目标图g的结构信息通过挖掘数据的潜在流形结构(对于给定的一组图)第二项是融合关于G的先验信息并且防止过拟合,D是一个约束项改进difusion-fusion:k是最近邻的数量添加L=n-c的约束:优化后的图就可以被划分成c个子图(簇)(8)引入了权重,自适应调整权重,包括两部分:一在扩散...

2021-09-14 19:33:44 1474 5

原创 不完全多视图聚类和缺失视图推断的统一张量框架

1.摘要关键词:寻求恢复缺失视图,并探索这种恢复的视图和可用视图的全部信息用于数据聚类。将基于特征空间的缺失视图推断和基于流形空间的相似图学习结合到一个统一的框架中。引入了低秩张量约束来捕获多视图的高阶相关性。2.前言:早期的不完整多视图方法①基于核学习恢复不完整的核,然后运用核典型相关分析聚类(需要完整的视图作为缺失视图的参考);IMKKN-IK-MKC设计了一个联合框架用于不完全核完成和聚类(Liu et al.2019c)。②基于图学习:将视图缺失问题从特征空间转移到图空间。③矩阵分解(MF)..

2021-09-09 10:01:28 1334

原创 多视图聚类方向:子空间学习

1.对由多视图特征描述的数据进行聚类,通常的方法是通过挖掘多视图特征之间的互补信息来集成多视图特征。本文方法的目标是通过限制标签空间的多样性和一致性来学习多视图聚类的最优标签矩阵。首先将聚类标签松弛为一致性和多样性部分,然后将其集成到基于多视图k-means矩阵分解的模型中,数学公式为本文方法约束了标签空间的多样性和一致性。考虑到不同视图的聚类能力,使用自加权策略对每个视图进行加权。另外,将原始高维数据投影到低维空间进行降维,并且使用拉普拉斯图调节方法约束原始空间和低维空间数据领..

2021-09-09 09:58:39 4257

原创 关于不完整多视图聚类相关知识的记录

摘要:我们提出了一个新的框架,称为交叉部分多视图网络(CPM-Nets),旨在充分和灵活地利用多个部分视图。我们首先为多视图表示提供了完备性和多样性的正式定义,然后从理论上证明了所学习的潜在表示的多样性。为了完整性,学习潜在的多视图表示的任务通过模拟数据传输被具体地转化为退化过程,从而可以隐含地实现不同视图之间的一致性和互补性之间的最佳折衷。我们的模型配备了对抗策略,可以稳定地估算缺失视图,将每个样本所有视图的信息编码成潜在表示,以进一步增强完整性。此外,引入非参数分类损失来产生结构化表示和防止过拟合,..

2021-08-03 16:13:17 3114

原创 《算法通识16讲》学习笔记

02复杂度:怎么判断算法的效率高不高1.评价算法效率的两个难题:硬件依赖和无穷大2.时间复杂度是度量算法效率最主要的工具,定义

2021-06-11 21:11:21 5738 2

原创 多视图综述以及图像检索

1.1 分类1.1.1 协同训练该方法旨在最大限度地扩展所有观点的相互协议,并达成最广泛的共识。协同训练算法一般过程如图1所示,根据该过程对算法进行交替训练,利用先验信息或相互学习知识,使两种不同视图的一致性最大化。多视图表示学习存在的问题:输入数据质量低(有噪声并且会丢失);多视图嵌入建模的不适当目标;很多的处理需求;the presence of view disagreement。问题:学习良好的多视图表示的合适目标是什么? 哪些类型的深度学习架构适合多视图表示学..

2021-06-02 10:21:54 2759 1

原创 基于联合非负矩阵分解的多视角聚类学习笔记

摘要:在这篇文章中,我们提出了一种新的基于nmf(非负矩阵分解)的多视图聚类算法,通过搜索一个因子分解,给出跨多个视图的兼容聚类解决方案。关键思想是制定一个联合矩阵分解过程,该过程带有将每个视图的聚类解决方案推向共同共识的约束,而不是直接修复它。主要的挑战是如何保持跨不同视图的集群解决方案的意义和可比性。1.前言现有的多视图聚类算法分类:第一类算法通过优化某些损失函数,将多视图集成直接纳入聚类过程。相比之下,第二类算法,例如基于典型相关分析CCA的算法,首先将多视图数据投影到公共的低维子空间中,..

2021-06-01 18:59:47 1752 3

原创 具有自适应融合和循环一致性的生成局部多视图聚类学习笔记

3.广义的局部多视图聚类X =?X(1), X(2),··· ,X(V)?, w h e r e X(v)=?x(v)1, x(v)2,··· ,x(v)N?∈ RN×dv(v = 1,2,··· ,V), V isthe number of views, N is the number of samples, anddvis the dimension of the feature of the v-th view....

2021-05-28 20:45:48 838

空空如也

空空如也

TA创建的收藏夹 TA关注的收藏夹

TA关注的人

提示
确定要删除当前文章?
取消 删除