面向多视图聚类的快速解耦稀疏张量学习
计算机视觉与模式识别
2024-11-13 v1 人工智能
摘要
基于张量的多视图聚类因其探索跨视图高阶相关性的卓越能力，近来受到广泛关注。然而，现有大多数方法仍存在一些局限。(1) 它们大多探索不同亲和矩阵之间的相关性，导致难以扩展到大规模数据。(2) 虽然部分方法通过引入二部图解决此问题，但锚点选择过程的不稳定性可能导致次优解。(3) 它们通常忽略了每个视图中潜在语义无关信息的负面影响。为解决这些问题，我们提出一种名为快速解耦稀疏张量学习 (DSTL) 的新方法用于多视图聚类。DSTL 不关注多视图图结构，而是基于矩阵分解直接探索多视图潜在语义表示间的高阶相关性。为缓解特征冗余的负面影响，受鲁棒 PCA 启发，DSTL 将每个视图的潜在低维表示解耦为语义无关部分和语义相关部分。随后，利用基于张量的正则化构建两个稀疏张量。为进一步提升特征解耦质量，通过一致性对齐指示器跨视图对齐语义相关表示。所提模型计算高效且可有效求解。大量实验证明 DSTL 优于最先进方法。DSTL 代码可在 https://github.com/dengxu-nju/DSTL 获取。
引用
@article{arxiv.2411.07685,
title = {Fast Disentangled Slim Tensor Learning for Multi-view Clustering},
author = {Deng Xu and Chao Zhang and Zechao Li and Chunlin Chen and Huaxiong Li},
journal= {arXiv preprint arXiv:2411.07685},
year = {2024}
}
备注
13 pages,6 figures, will be published to IEEE TMM