联合多视图无监督特征选择与图学习
计算机视觉与模式识别
2023-08-14 v3 机器学习
机器学习
摘要
尽管取得了显著进展，以往的多视图无监督特征选择方法大多存在两个局限。首先，它们通常利用簇结构或相似结构来指导特征选择，忽视了联合建模互利共赢的可能性。其次，它们常通过全局结构学习或局部结构学习来学习相似结构，缺乏兼具全局与局部结构感知的图学习能力。有鉴于此，本文提出一种联合多视图无监督特征选择与图学习（JMVFG）方法。特别地，我们通过正交分解来公式化多视图特征选择，其中每个目标矩阵被分解为视图特有基矩阵与视图一致簇指示矩阵。引入跨空间局部性保持以桥接投影空间中的簇结构学习与原始空间中的相似性学习（即图学习）。进一步，提出统一目标函数以同时学习簇结构、全局与局部相似结构以及多视图一致与不一致性，并据此开发了一种交替优化算法，理论上证明了其收敛性。在多个真实多视图数据集上的大量实验证明了我们的方法在多视图特征选择与图学习任务上的优越性。代码见 https://github.com/huangdonghere/JMVFG。
引用
@article{arxiv.2204.08247,
title = {Joint Multi-view Unsupervised Feature Selection and Graph Learning},
author = {Si-Guo Fang and Dong Huang and Chang-Dong Wang and Yong Tang},
journal= {arXiv preprint arXiv:2204.08247},
year = {2023}
}
备注
To appear in IEEE Transactions on Emerging Topics in Computational Intelligence