基于张量的本征子空间表示学习用于多视图聚类
机器学习
2022-11-09 v7
摘要
作为一个热门研究课题，过去几年中提出了许多多视图聚类方法。然而，大多数现有算法仅考虑不同视图之间的一致性信息用于聚类。实际上，这可能会阻碍真实应用中的多视图聚类性能，因为不同视图通常包含多样的统计特性。为解决该问题，我们在本文中提出一种新颖的基于张量的本征子空间表示学习（TISRL）用于多视图聚类。具体而言，首先提出秩保持分解以有效处理不同视图中包含的多样统计信息。然后，为实现本征子空间表示，我们的方法中还利用了基于张量奇异值分解的低秩张量约束。可以看出，不同视图中包含的特定信息通过秩保持分解得到了充分探究，并且多视图数据的高阶相关性也通过低秩张量约束被挖掘。目标函数可通过基于增广拉格朗日乘子的交替方向最小化算法进行优化。在九个常用真实世界多视图数据集上的实验结果说明了 TISRL 的优越性。
引用
@article{arxiv.2010.09193,
title = {Tensor-based Intrinsic Subspace Representation Learning for Multi-view Clustering},
author = {Qinghai Zheng and Yu Zhang and Jihua Zhu and Zhongyu Li and Haoyu Tang and Shuangxun Ma},
journal= {arXiv preprint arXiv:2010.09193},
year = {2022}
}