典型文献
基于两级权重的多视角聚类
文献摘要：
在聚类过程中,多视角数据的高维性和稀疏性使视角内描述样本的不同特征对聚类结果的影响不同,同一样本在不同的视角中对聚类的贡献也不同.层次化区分视角内不同特征的权重和相同样本在不同视角内的权重是提高多视角聚类性能的重要因素.提出了具有特征级和样本级两级权重的多视角聚类(multi-view clustering based on two-level weights,MVC2W)算法.该算法引入了 特征级和样本级注意力机制学习每个视角内不同特征的权重和每个样本在不同视角内的权重.两级注意力机制使算法在训练过程中能够更加关注重要的特征和重要的样本,更加合理地融合不同视角的信息,从而有效克服数据高维性和稀疏性对聚类结果的影响.此外,MVC2W将表征学习和聚类过程融为一体,协同训练、相互促进,进一步提升聚类性能.在5个稀疏程度不同的数据集上的实验结果表明:MVC2W算法的聚类性能比11个基线算法均有提升,尤其是在稀疏程度高的数据集上,MVC2W的提升更加显著.
文献关键词：
多视角聚类;特征级权重;样本级权重;注意力机制;稀疏度
中图分类号：
作者姓名：
杜国王;周丽华;王丽珍;杜经纬
作者机构：
云南大学信息学院 昆明 650500
文献出处：
引用格式：
[1]杜国王;周丽华;王丽珍;杜经纬-.基于两级权重的多视角聚类)[J].计算机研究与发展,2022(04):907-921
A类：
MVC2W,特征级权重,样本级权重
B类：
两级,多视角聚类,多视角数据,高维性,稀疏性,层次化,不同视角,具有特征,multi,view,clustering,on,two,level,weights,注意力机制,训练过程,表征学习,融为一体,协同训练,性能比,基线算法,稀疏度
AB值：
0.295176
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。
