检索结果-南通市图书馆

在线全文

同方期刊数据库

学校读者我要写书评

暂无评论

自加权多视图K-均值算法

计算机工程 2024年

作者：林合川徐慧英朱信忠黄晓刘子洋浙江师范大学教育学院浙江师范大学计算机科学与技术学院

随着信息技术的不断进步，人们能够运用越来越多样化和复杂的方式来更准确地描述事物，这导致了多视图数据的出现。对多视图数据聚类是数据挖掘、机器学习、模式识别等领域的基础和重要课题。在这个信息爆炸的时代，数据的维度越来越高... 详细信息

随着信息技术的不断进步，人们能够运用越来越多样化和复杂的方式来更准确地描述事物，这导致了多视图数据的出现。对多视图数据聚类是数据挖掘、机器学习、模式识别等领域的基础和重要课题。在这个信息爆炸的时代，数据的维度越来越高。如何有效地将这类数据进行聚类仍然是一项巨大的挑战。为了解决目前多视图K-均值在处理高维数据时的能力不足问题，提出了一种全新的多视图聚类框架，名为自加权多视图K-均值算法（Self-weighted Multi-view k-means algorithm，SwMKM）。首先通过采用最小绝对准则来引导鲁棒性，该方法成功地降低了异常值对结果的影响。接着，采用迭代重加权最小二乘法来求解最小绝对残差，通过自适应地调整多个权重的分布，以实现重加权的控制。最终，通过引入具有2，1范数惩罚项的投影矩阵，将原始数据集的高维特征空间转换为统计上不相关的低维的子空间，以实现特征选择和噪声抑制。实验结果显示，在Handwritten numerals、MSRCv1、Outdoor Scene等数据集上的表现明显优于其他多视图K-均值方法，这证明了该算法聚类的优越性。

关键词：无监督学习 K-均值多视图聚类 2，1范数自加权

在线全文

同方期刊数据库

学校读者我要写书评

暂无评论

多样性约束和高阶信息挖掘的多视图聚类

计算机应用研究 2024年

作者：赵振廷赵旭俊太原科技大学计算机科学与技术学院

在现有的多视图聚类研究中，大多数方法没有考虑多视图的多样性，也没有关注数据的高阶邻域信息，导致聚类结果不够准确，难以挖掘数据集的底层信息。为了解决这些问题，提出了基于多样性约束和高阶信息挖掘的多视图聚类(MVCDCHO)。首... 详细信息

在现有的多视图聚类研究中，大多数方法没有考虑多视图的多样性，也没有关注数据的高阶邻域信息，导致聚类结果不够准确，难以挖掘数据集的底层信息。为了解决这些问题，提出了基于多样性约束和高阶信息挖掘的多视图聚类(MVCDCHO)。首先设计了视图间多样性测量的方法，利用多样性的约束保留数据的交集特征，同时去除多视图的差异特征。然后提出了一种挖掘视图高阶信息的方法，要求多视图的交集特征接近混合相似图，以挖掘数据间相关性所没有关注到的高阶信息。最后将多视图的交集特征融合成共识图，通过谱聚类来获取聚类目标图。另外，设计了一种交替迭代的方法，迭代学习优化目标函数。实验结果表明，MVCDCHO算法在归一化互信息(NMI)、调整后的兰德指数(ARI)、聚类精度(ACC)多个聚类评价指标上表现出优异的性能。理论分析和实验研究验证了MVCDCHO算法中多视图多样性和高阶信息的关键作用，证明了MVCDCHO算法的优越性。

关键词：多视图聚类多样性一致性高阶信息

在线全文

同方期刊数据库

学校读者我要写书评

暂无评论

图对比学习引导的多视图聚类网络

计算机应用 2024年

作者：朱云华孔兵周丽华陈红梅包崇明云南大学信息学院云南大学软件学院

多视图聚类由于能从多个角度利用数据的信息引起了广泛的关注。然而，目前的多视图聚类算法普遍存在以下几个问题：1)专注数据的属性特征或者结构特征，没有充分结合这两种信息，以提高潜在嵌入的质量；2)基于图神经网络的方法虽然能同... 详细信息

多视图聚类由于能从多个角度利用数据的信息引起了广泛的关注。然而，目前的多视图聚类算法普遍存在以下几个问题：1)专注数据的属性特征或者结构特征，没有充分结合这两种信息，以提高潜在嵌入的质量；2)基于图神经网络的方法虽然能同时利用属性和结构数据，但是基于图卷积或图注意力的模型在网络层数过深时会产生过度平滑的问题。为了解决以上问题，提出一个图对比学习引导的多视图聚类网络(MCNGCL)。首先，使用多视图自编码器模块捕捉每个视图的私有表示；其次，通过自适应加权融合构造公共表示；再次，结合图对比学习模块，使相邻节点在聚类时更容易被划分为同簇，同时减缓网络在聚合邻居节点信息时产生的过度平滑的问题；最后，使用自监督聚类模块，使公共表示和视图的私有表示向有利于聚类的方向优化。实验结果表明，MCNGCL在多个数据集中都取得了不错的效果，在3sources数据集上，与次优的CMGEC(Consistent Multiple Graph Embedding formulti-view Clustering)相比，MCNGCL的准确率指标提升了2.83个百分点，规范化互信息（NMI）指标提升了3.7个百分点；消融实验和参数敏感性分析结果也验证了MCNGCL的有效性。

关键词：多视图聚类对比学习表示学习自监督聚类深度学习

基于超图正则NMF的自适应半监督多视图聚类

在线全文

同方期刊数据库

学校读者我要写书评

暂无评论

广西师范大学学报(自然科学版) 2024年

作者：李向利梅建平莫元健广西高校数据分析与计算重点实验室(桂林电子科技大学) 桂林电子科技大学数学与计算科学学院广西应用数学中心(桂林电子科技大学)

图正则非负矩阵分解(GNMF)虽然已成为大量多视图聚类方法的基本框架，但其尝试用简单图融合来自不同视图的复杂数据关系，同时获得一致性判别表示，这无疑有很大挑战性。为了更好地应对多视图数据的聚类任务，本文提出一种基于超图正则... 详细信息

图正则非负矩阵分解(GNMF)虽然已成为大量多视图聚类方法的基本框架，但其尝试用简单图融合来自不同视图的复杂数据关系，同时获得一致性判别表示，这无疑有很大挑战性。为了更好地应对多视图数据的聚类任务，本文提出一种基于超图正则非负矩阵分解的半监督多视图聚类方法ASMCHNMF。该方法通过构造超图，学习来自多个视图的数据高阶关系。为合理利用现实世界中可获取的标签信息，引入标签约束项进行半监督学习。此外，该方法同时考虑一致性信息和互补性信息的学习，采用自适应措施区分不同视图的贡献，并使用交替迭代算法来对主函数进行优化。在7个真实数据集上的对比实验结果表明，在其中6个数据集上，ASMCHNMF算法在ACC和NMI指标上均优于经典算法和当前先进算法。

关键词：超图非负矩阵分解多视图聚类半监督学习

基于自适应融合全局和局部信息的锚点多视图聚类

在线全文

同方期刊数据库

学校读者我要写书评

暂无评论

郑州大学学报(理学版) 2024年

作者：冉戆王思为祝恩国防科技大学计算机学院

基于子空间的多视图聚类算法因其良好的聚类性能和数学可解释性而备受关注。其中,一些基于锚点策略的大规模多视图子空间聚类算法,能够有效降低算法的时空复杂度。然而,现有的算法往往从全局结构中学习子空间自表示矩阵,忽视了视图数据... 详细信息

基于子空间的多视图聚类算法因其良好的聚类性能和数学可解释性而备受关注。其中,一些基于锚点策略的大规模多视图子空间聚类算法,能够有效降低算法的时空复杂度。然而,现有的算法往往从全局结构中学习子空间自表示矩阵,忽视了视图数据、锚点和子空间自表示矩阵之间的局部结构信息。受多视图自加权多图学习算法的启发,提出了基于自适应融合全局和局部信息的锚点多视图聚类(AMVC-AFGL)算法。所提算法旨在通过自适应分配视图权重,融合数据之间的全局信息和局部信息,为每个视图数据学习一个更有效的子空间锚图矩阵,进而拼接为较小的融合锚图矩阵然后进行谱聚类。在公开的10个真实基准数据集上开展了充分的实验,与其他12个先进的多视图聚类算法相比,结果表明了所提算法的有效性和可扩展性。

关键词：多视图聚类自加权锚点子空间聚类谱聚类大规模

在线全文

同方期刊数据库

学校读者我要写书评

暂无评论

多视图聚类算法研究

多视图聚类算法研究

作者：孙文雅深圳大学

学位级别：硕士

随着各种电子设备的不断进化和发展,我们已经迈入了大数据时代。人类生活中的数据通常产生于不同的数据源或者从不同的视角来描述,我们将此类数据称之为多视图数据。如何挖掘隐藏在各式各样多视图数据的信息已经成为数据挖掘领域和机器... 详细信息

随着各种电子设备的不断进化和发展,我们已经迈入了大数据时代。人类生活中的数据通常产生于不同的数据源或者从不同的视角来描述,我们将此类数据称之为多视图数据。如何挖掘隐藏在各式各样多视图数据的信息已经成为数据挖掘领域和机器学习领域的一个热门的研究方向。然而,这些多视图数据通常具有?分复杂的数据结构,这就使得许多基于物理距离的聚类算法如K均值聚类算法等失去有效性。由于谱聚类算法在对各种复杂结构数据聚类时的优越性能,各种基于谱聚类的多视图聚类算法已经被成功得用于多视图聚类领域。但是,由于传统的基于谱聚类的算法通常都是先对由相似度图中导出的图拉普拉斯矩阵进行特征分解,然后在通过K均值聚类或者谱旋转从分解得到的特征向量中获得最终的聚类分配,这样一个特征分解和求解聚类分配矩阵相分离的方法可能导致聚类结果的不精确,使聚类结果与数据中隐含的真实信息有所偏离。而且由于特征分解步骤的较高时间复杂度,使得基于谱聚类的多视图聚类算法很难用来处理大规模数据。此外,许多基于谱聚类的多视图聚类算法都涉及一个对多个视图加权整合的过程,但是由于多视图数据通常结构复杂,可能包含一些噪声数据,所以这些加权多视图聚类算法的聚类效果可能会受到某些噪声视图的影响,得到较差的聚类结果。此外,由于多视图数据中往往包含相较于单视图数据更为丰富的信息,所以往往具有很大的数据规模。为了降低数据的规模,从而可以对这些多视图数据分析,很多对数据进行抽样的算法已经被提出。但是由于这些抽样办法通常不能考虑每个视图的重要性,可能会选择一些噪声数据作为抽样结果,导致对数据的后续分析不精确。基于上述提到的多视图聚类领域面临的一些问题,本文主要进行如下工作:1.针对由于传统谱聚类的多视图聚类算法特征分解和求解聚类分配过程相互分离导致的聚类结果与实际的数据结构偏离的问题,本文提出了一个直接优化目标函数的聚类模型,该模型可以不用对图拉普拉斯矩阵进行特征分解,而是通过一个迭代的过程直接对模型进行优化,不仅可以避免特征分解过程与聚类求解过程导致的结果不精确问题,还可以通过避免对拉普拉斯矩阵的特征分解从而降低计算复杂度。2.针对现有的对多个视图进行加权的算法容易受到噪声视图影响的问题,本文提出一个自动对多视图数据进行加权的模型,并引入一个视图权重调整参数,通过调整视图的权重分布,使重要视图具有更大的权重,噪声视图具有更小的视图权重,降低多视图数据中噪声数据对聚类结果的影响。3.为了能够对大规模多视图数据进行聚类分析,本文提出一个新的多视图数据的抽样方法,该抽样算法可以自动识别不同视图的权重信息,从而避免因将噪声数据选择为代表点造成的后续聚类结果不精确等问题。

关键词：多视图聚类谱聚类特征分解谱旋转抽样算法

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于视图互信息加权的多视图集成聚类算法

计算机应用 2023年第6期43卷 1713-1718页

作者：劳景欢黄栋王昌栋赖剑煌华南农业大学数学与信息学院广州510642 中山大学计算机学院广州510006

现有的多视图聚类算法往往缺乏对各视图可靠度的评估和对视图进行加权的能力,而一些具备视图加权的多视图聚类算法则通常依赖于特定目标函数的迭代优化,其目标函数的适用性及部分敏感超参数调优的合理性均对实际应用有显著影响。针对这... 详细信息

现有的多视图聚类算法往往缺乏对各视图可靠度的评估和对视图进行加权的能力,而一些具备视图加权的多视图聚类算法则通常依赖于特定目标函数的迭代优化,其目标函数的适用性及部分敏感超参数调优的合理性均对实际应用有显著影响。针对这些问题,提出一种基于视图互信息加权的多视图集成聚类(MEC-VMIW)算法,主要过程可分为两个阶段,即视图互加权阶段与多视图集成聚类阶段。在视图互信息加权阶段,对数据集进行多次随机降采样,以降低评估加权过程的问题规模,进而构建多视图降采样聚类集合,根据不同视图的聚类结果之间的多轮互评得到视图可靠度评估,并据此对视图进行加权;在多视图集成聚类阶段,对各个视图数据构建基聚类集合,并将多个基聚类集合加权建模至二部图结构,利用高效二部图分割算法得到最终多视图聚类结果。在若干个多视图数据集上的实验结果验证了所提出的多视图集成聚类算法的鲁棒聚类性能。

关键词：数据聚类多视图聚类互信息集成聚类视图加权二部图

维普期刊数据库

在线全文

学校读者我要写书评

暂无评论

稀疏矩阵和改进归一化切割的快速多视图聚类

计算机科学与探索 2023年

作者：杨明瑞周世兵王茜宋威江南大学人工智能与计算机学院

多视图聚类是一种新颖的聚类算法，它可以有效地探索出数据之间的内在聚类结构。大多数多视图聚类算法在构造相似图时容易受到噪声的影响，而且在聚类过程中还会面临信息损失问题，从而降低聚类结果的准确性。此外，现有多视图聚类算法... 详细信息

多视图聚类是一种新颖的聚类算法，它可以有效地探索出数据之间的内在聚类结构。大多数多视图聚类算法在构造相似图时容易受到噪声的影响，而且在聚类过程中还会面临信息损失问题，从而降低聚类结果的准确性。此外，现有多视图聚类算法通常使用交替迭代优化方法获得最优解，多次迭代会导致内存溢出或耗时过长。为了解决上述问题，提出了一种基于稀疏矩阵和改进归一化切割的快速多视图聚类算法。该算法首先根据原始数据构造每个视图的相似图，并对相似图进行融合得到共识图矩阵。然后对共识图矩阵进行l1范数约束获得稀疏矩阵，实现数据降噪和加速计算。最后使用改进的归一化谱聚类算法对稀疏的共识图进行聚类得到聚类指标矩阵，这样不仅能够直接获得聚类结果，而且消除了聚类过程中的信息损失和偏差。该聚类算法无需交替迭代优化且通过稀疏矩阵表示精简计算过程，大幅降低了算法的时间和空间复杂度。人工和真实数据集上的比较实验结果表明该算法在质量和效率方面优于对比算法。

关键词：多视图聚类稀疏矩阵归一化切割软阈值图融合

基于聚类结构和局部相似性的多视图隐空间聚类

在线全文

同方期刊数据库

学校读者我要写书评

暂无评论

计算机应用研究 2023年第9期40卷 2650-2656页

作者：宋菲江苏开放大学信息工程学院南京210017

随着数据获取方式的多样化发展,针对多视图领域的算法研究变得越来越重要,但大多数方法仅通过自表示属性或局部结构获取样本间的相似性关系,在此过程中忽略了整体样本的聚类结构和原始空间的噪声的影响,使得聚类结果存在较大误差。为解... 详细信息

随着数据获取方式的多样化发展,针对多视图领域的算法研究变得越来越重要,但大多数方法仅通过自表示属性或局部结构获取样本间的相似性关系,在此过程中忽略了整体样本的聚类结构和原始空间的噪声的影响,使得聚类结果存在较大误差。为解决此问题,提出了一种基于聚类结构和局部相似性的多视图隐空间聚类方法(multi-view latent subspace clustering with cluster structure and local similarity,MLC2L),通过隐表示融合不同视图上的共享信息并抑制噪声的存在。此外,通过探索隐空间内样本间的局部相似性关系和整体的聚类结构促进样本达到同类聚合、异类远离的目的;最后引入一个交替方向迭代优化算法来快速求解目标函数。实验结果显示,在六个真实数据集的实验中,MLC2L在MSRC-v1、UCI以及100Leaves上的五个评价指标均为最优,在3Sources、WebKB和Prokaryotic等数据集上的五个指标有四个最优,大量的实验分析也证明了融合局部结构和整体聚类结构的MLC2L在多视图聚类任务上的有效性。

关键词：多视图聚类隐空间聚类结构局部相似性

维普期刊数据库