基于富集先验的双重约束深度半监督耦合分解网络

非负矩阵分解通常善于学习“浅层”的基于部分的表示，但显然无法发掘基与表示空间内的深层层次信息。本文从技术上提出一种基于富集先验的新颖双重约束深度半监督耦合分解网络，称为DS2CF-Net，用于学习层次化耦合表示。为提取隐藏深层特征，DS2CF-Net被建模为具有深度结构与几何结构约束的神经网络。具体而言，DS2CF-Net利用多层线性变换设计深度耦合分解架构，在每一层耦合更新基与新表示。为提升所学深层表示与深层系数的判别能力，我们的网络明确考虑通过联合深度系数正则化标签预测来富集监督先验，并将富集先验信息作为额外的标签与结构约束纳入。标签约束可使同标签样本在新特征空间中具有相同的坐标，而结构约束迫使每层的系数矩阵为块对角，从而使基于自表达标签传播的增强先验更为准确。我们的网络还集成自适应双图学习，通过最小化每层的重构误差，保留数据流形与特征流形的局部流形结构。在多个真实数据库上的大量实验表明，我们的DS2CF-Net在表示学习与聚类中取得了最先进的性能。