多视图子空间聚类（完备感知相似性）2019

最新推荐文章于 2024-03-23 11:05:58 发布
最新推荐文章于 2024-03-23 11:05:58 发布
阅读量1.5k 收藏 9
点赞数 1
文章标签： 聚类 数据挖掘 机器学习
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/weixin_47038252/article/details/121344538
版权

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（Hilbert–Schmidt Independence Criterion）指导谱聚类。

以前构造相似矩阵方法存在问题：一是尽管不同相似矩阵中的块结构相似，但它们的值可能会显著不同，因此达成相似性共识可能会大大降低性能。换句话说，相似性假设可能不成立。另一个原因是，上述方法构造的相似度信息量较小，因为大多数方法都忽略了局部连通性。

希尔伯特-施密特独立性准则

最低0.47元/天 解锁文章
打小就聪明w
关注
  • 1
    点赞
  • 踩
  • 9
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
多视图聚类（矩阵分解篇）
weixin_47038252的博客
11-22 2422
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.
多视图聚类论文阅读（二）
chumingqian的博客
11-20 685
提出问题：提出的解决方法。
【论文阅读】深度多视图子空间聚类的三粒度对比学习
Redivulous的博客
03-23 743
提出了一种**深度多视图子空间聚类(TRUST)的三粒度对比学习框架**，该框架受益于**从实例、特定亲和关系和共识亲和关系三个层次**全面发现有价值的信息
Large-Scale Multi-View Subspace Clustering in Linear Time
友谊路夹老师的博客
05-23 669
Large-Scale Multi-View Subspace Clustering in Linear Time摘要简介前期工作1.子空间聚类2.锚定图方法实验 摘要 因为传统的多视图子空间聚类（MVSC）通常具有两次或者三次的复杂度，用不到大规模的数据上，为了解决这个问题提出了线性阶复杂度的LMVSC。 受锚定图思想的启发，我们首先为每个视图学习一个更小的图。然后，设计了一种新的方法来整合这些图，使我们可以在一个更小的图上实现光谱聚类。 简介 为了解决传统MVSC时间复杂度够高的这样一个情况主要可以在两
多视角聚类学习（三）Partition level multiview subspace clustering
demons2的博客
11-13 1208
Partition level multiview subspace clusteringAbstractIntroduction Abstract 多视角子空间聚类主要集成数据点所在空间的多视图信息，它的性能可能受到每个单独视图中存在的噪声或异构特征之间不一致的影响。对于多视角聚类，基本前提是所有视图之间存在共享分区， 因此，多视图聚类的自然空间应该是所有分区。我们建议在分区级融合多视图信息，遵循两个直观的假设:(i)每个分区都是一致性聚类的扰动;(ii)对接近一致性聚类的分区赋较大的权值。 本文提出了一
论文辅助学习+总结 “Latent Multi-view Subspace Clustering”
KennyWu529的博客
10-23 419
子空间聚类是许多应用中的基本且重要的技术，特别是对于高维数据。一般来说，子空间聚类方法[7,18,12]假设数据点是从对应于不同簇的多个子空间中提取的。最近，提出了基于自表示的子空间聚类，其中每个数据点可以用数据点本身的线性组合来表示。一般公式可以表示为其中标量 α > 0 平衡重建误差和子空间表示 Z 的正则化。L(·,·)和Ω(·)分别表示损失函数和正则化项，它们通常基于不同的假设来定义。例如，稀疏子空间聚类（SSC）[7] 基于 l1-范数在无限多个可能的表示中搜索最稀疏的表示。
关于子空间聚类的相关学习
qq_59269283的博客
03-07 398
这样我们就得到了一个解 C，它对应于一个子空间系数矩阵，从中我们可以导出节点的聚类。引入概念Gramian product ：n维欧式空间中任意k个向量之间两两的内积所组成的矩阵，称为这k个向量的格拉姆矩阵(Gram matrix)，很明显，这是一个对称矩阵。1）使用卷积的GCN对归一化的邻接矩阵以及节点特征矩阵进行卷积融合，并将其代入到子空间聚类公式中去，得到（4）得到，但是这种方法会增加节点数量的二次复杂度，所以对它进行改进，使用非负核函数对U进行映射，计算公式如下。
自适应加权低秩约束的多视图子空间聚类算法
05-06
本文提出了自适应加权的低秩约束的多视图子空间聚类算法, 通过自适应学习的方式给各视图赋予不同权重来构造各视图共享的潜在一致低秩矩阵. 并且提出了有效的可迭代优化算法对模型进行优化. 在5个公开数据集上的实验...
深度多模态子空间聚类网络相关论文.zip
04-17
深度多模态子空间聚类的发展重要的几篇论文，这一方法对聚类增加了深度学习的方法，值得学习与研究
多视图子空间聚类的 MATLAB 实现.zip
最新发布
05-18
1.版本：matlab2014/2019a/2021a 2.附赠案例数据可直接运行matlab程序。 3.代码特点：参数化编程、参数可方便更改、代码编程思路清晰、注释明细。 4.适用对象：计算机，电子信息工程、数学等专业的大学生课程...
单步划分融合多视图子空间聚类算法.pdf
02-15
单步划分融合多视图子空间聚类算法.pdf
LMSC_多视图聚类PID_LMSC多视图聚类
09-11
LMSC多视图聚类，潜在多视图子空间聚类matlab代码
结构化的一般和特定多视图子空间聚类
04-08
结构化的一般和特定多视图子空间聚类
【论文笔记】《多视图聚类算法研究》
Sneexy的博客
03-29 3178
作者：B. C. Craenen , A. E. Eiben 论文页面：http://citeseerx.ist.psu.edu/viewdoc/summary?doi=10.1.1.18.9903 论文时间：2002年 本篇论文的内容： 介绍计算智能，介绍CI和AI的关系，介绍CI的子领域，用数据表明CI越来越火了。 生词表： AI：用机器/计算机创造非人类智能的科学。 CI：神经...
多视图聚类的算法总结
qq_40619273的博客
04-09 6291
多视图聚类主要利用不同视图间的差异性和互补性的信息来对数据进行聚类；关键问题在于如何有效地利用多个视图的信息，发挥各视图的优势，减少各视图的局限，从而获得准确且稳健的聚类性能；......
【机器学习】子空间聚类
sxl的博客
12-06 577
[1]子空间聚类(转) [2]子空间聚类 [3]聚类系数 Clustering coefficient [4]学习CVPR 2019 论文《自监督卷积子空间聚类网络》
UIUC同学Jia-Bin Huang收集的计算机视觉代码合集（ZZ）
ubunfans的专栏
04-20 5483
转自：http://www.cnblogs.com/idaidai/archive/2012/03/01/2375800.html     UIUC的Jia-Bin Huang同学收集了很多计算机视觉方面的代码，链接如下： https://netfiles.uiuc.edu/jbhuang1/www/resources/vision/index.html 248 it
Deep Multimodal Subspace Clustering Networks 翻译
shaodongheng的博客
01-07 2233
Deep Multimodal Subspace Clustering Networks 翻译 摘要 我们提出了基于卷积神经网络（CNN）的无监督多模态子空间聚类方法。所提出的框架包括三个主要阶段 - 多模态编码器，自我表示层和多模态解码器。编码器将多模态数据作为输入并将它们融合到潜在空间表示中。自我表达层负责实施自我表示属性并获取对应于数据点的亲和度矩阵。解码器重建原始输入数据。网络在训练中...
请解释多视图一致性聚类、多视图子空间聚类和相互正则化的含义
07-09
1. 多视图一致性聚类（Multi-View Consensus Clustering）： 多视图一致性聚类是一种通过融合多个视图或特征空间的信息来进行聚类的方法。在多视图一致性聚类中，每个视图都生成自己的聚类结果，然后通过比较不同视图之间的一致性来融合这些结果，得到最终的一致性聚类结果。这种方法可以增强聚类的稳定性和准确性，并且对于不同视图之间的噪声和冗余特征具有一定的鲁棒性。 2. 多视图子空间聚类（Multi-View Subspace Clustering）： 多视图子空间聚类是一种利用多个视图或特征空间中的子空间信息来进行聚类的方法。在多视图子空间聚类中，每个视图都代表一个子空间，并且数据点在不同子空间中可能具有不同的表示。多视图子空间聚类通过对每个子空间进行聚类，并将不同子空间的聚类结果进行整合，来得到最终的聚类结果。这种方法可以更好地处理数据的多样性和复杂性，提高聚类的准确性和鲁棒性。 3. 相互正则化（Mutual Regularization）： 相互正则化是一种在多视图学习中常用的正则化方法，用于增强不同视图之间的一致性和互补性。在相互正则化中，每个视图都有自己的损失函数，并且通过最小化自身的损失函数以及最大化其他视图的损失函数来进行优化。这种相互正则化的过程可以使得不同视图之间的特征表示更加一致和互补，从而提高多视图学习任务的性能。相互正则化常用于多视图聚类、多视图分类等任务中。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值