典型文献
基于正交基的多视图迁移谱聚类
文献摘要：
挖掘多视图一致性是提升多视图聚类性能的关键,为更好地从多视图数据中学习一致性表示,提出一种新的多视图聚类算法OMTSC.OMTSC算法同时学习每个视图的聚类分配矩阵和特征嵌入,并将聚类分配矩阵分解为共享正交基矩阵和聚类编码矩阵.正交基矩阵可捕获并储存多视图一致性信息形成潜在聚类中心,经过加权融合的多视图聚类编码矩阵可更好地平衡不同视图的质量差异.引入基于二部图的协同聚类,实现正交基、聚类编码和特征嵌入3个矩阵的知识相互迁移,以提升多视图数据一致性和多样性,并利用特征嵌入的多样性最大化多视图一致性学习最优的潜在聚类中心,从而提高多视图聚类的性能.此外,基于群稀疏约束的特征嵌入可有效消除多视图数据中的噪声,提升算法的鲁棒性.在WikipediaArticles、COIL20和ORL数据集上的实验结果表明,与SC-Best、Co-Reg等先进的多视图聚类算法相比,OMTSC算法在ACC、NMI、ARI 3个评价指标上整体取得最优值,其中在COIL20和ORL数据集中的NMI评价指标均高于0.9.
文献关键词：
多视图;正交基聚类;迁移学习;谱聚类;协同正则化
中图分类号：
作者姓名：
王丽娟;张霖;尹明;郝志峰;蔡瑞初;温雯
作者机构：
广东工业大学 计算机学院,广州 510006;广东工业大学 自动化学院,广州 510006;汕头大学,广东 汕头 515063
文献出处：
引用格式：
[1]王丽娟;张霖;尹明;郝志峰;蔡瑞初;温雯-.基于正交基的多视图迁移谱聚类)[J].计算机工程,2022(10):37-44,54
A类：
OMTSC,WikipediaArticles,正交基聚类,协同正则化
B类：
谱聚类,多视图聚类,多视图数据,聚类算法,矩阵和,特征嵌入,矩阵分解,基矩阵,编码矩阵,聚类中心,加权融合,地平,质量差异,二部图,同聚,识相,互迁移,数据一致性,群稀疏,稀疏约束,COIL20,ORL,Best,Co,Reg,ACC,NMI,ARI,最优值,迁移学习
AB值：
0.245301
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
