基于自表示与自适应图结构学习的概念分解
机器学习
2025-05-07 v1
摘要
概念分解（CF）模型因其在数据聚类中的优异性能而受到广泛关注。近年来，许多基于CF的变体模型通过考虑数据集的内在几何流形结构并使用图正则化技术，在聚类中取得了巨大成功。然而，它们的聚类性能在很大程度上取决于初始图结构的构建。为了实现数据图结构的自适应学习，我们提出了一种基于自表示与自适应图结构学习的概念分解（CFSRAG）模型。CFSRAG通过自表示方法学习数据间的亲和关系，并利用学习到的亲和矩阵实现动态图正则化约束，从而确保数据内部几何结构的动态学习。最后，我们给出了CFSRAG的更新规则和收敛性分析，并在四个真实数据集上进行了对比实验。结果表明，我们的模型优于其他最先进的模型。
引用
@article{arxiv.2505.03390,
title = {Concept Factorization via Self-Representation and Adaptive Graph Structure Learning},
author = {Zhengqin Yang and Di Wu and Jia Chen and Xin Luo},
journal= {arXiv preprint arXiv:2505.03390},
year = {2025}
}