低秩张量空间中超拉普拉斯正则化概念分解的多视图聚类
机器学习
2023-08-02 v2
摘要
面向张量的多视图子空间聚类在评估高阶相关性和改进多视图数据聚类分析方面取得了显著进展。然而，现有大多数研究通常受限于两个缺陷。首先，基于自表示的张量子空间学习通常带来较高的时间和空间复杂度，且在感知嵌入空间中的非线性局部结构方面存在局限。其次，张量奇异值分解 (t-SVD) 模型平等地重新分配每个奇异值，而未考虑它们之间的不同重要性。为妥善应对这些问题，我们提出了一种用于多视图聚类的低秩张量空间中的超拉普拉斯正则化概念分解 (HLRCF)。具体而言，我们采用概念分解来探索各视图的潜在簇式表示。此外，超图拉普拉斯正则化赋予模型提取潜在空间中非线性局部结构的能力。考虑到不同的张量奇异值以不等的重要性关联结构信息，我们提出了一种自加权张量 Schatten p-范数来约束由所有簇式表示构成的张量。值得注意的是，尺寸更小的张量大幅降低了低秩优化中的时间和空间复杂度。最后，在八个基准数据集上的实验结果表明，HLRCF 优于其他多视图方法，展示了其优越性能。
引用
@article{arxiv.2304.11435,
title = {Hyper-Laplacian Regularized Concept Factorization in Low-rank Tensor Space for Multi-view Clustering},
author = {Zixiao Yu and Lele Fu and Zhiling Cai and Zhoumin Lu},
journal= {arXiv preprint arXiv:2304.11435},
year = {2023}
}
备注
We intend to continue refining the theoretical analysis and experimental validation