基于核对齐的多视图无监督特征选择 with 样本级自适应图学习
计算机视觉与模式识别
2026-01-13 v1
摘要
虽然多视图无监督特征选择 (MUFS) 在无标记多视图数据的降维方面取得了成功，但大多数现有方法通过关注特征之间的线性相关性来减少特征冗余，往往忽视复杂的非线性依赖关系，从而限制了其效果。此外，现有方法采用样本不变权重融合来自不同视图的相似图，以保持局部结构，但这一过程未能考虑同一视图中各样本局部邻域清晰度的差异，进而阻碍了对数据内在局部结构的准确刻画。为此，本文提出了一种基于核对齐的多视图无监督 FeatUre selection with Sample-level adaptive graph lEarning 方法 (称 KAFUSE)，以解决上述问题。具体而言，我们首先采用正交约束的核对齐来减少线性与非线性关系中的特征冗余。随后，对由堆叠不同视图的相似图形形成的张量的每个切片应用样本级融合，以跨视图一致的相似图学习方式自动调整每个样本的视图权重。上述两个步骤集成到统一模型中进行特征选择，实现了它们之间的相互增强。大量实验表明，KAFUSE 在真实多视图数据集上优于当前最先进的方法。
引用
@article{arxiv.2601.07287,
title = {Focal Guidance: Unlocking Controllability from Semantic-Weak Layers in Video Diffusion Models},
author = {Yuanyang Yin and Yufan Deng and Shenghai Yuan and Kaipeng Zhang and Xiao Yang and Feng Zhao},
journal= {arXiv preprint arXiv:2601.07287},
year = {2026}
}