基于约束图正则的块稀疏对称非负矩阵分解
现有的基于对称非负矩阵因式分解(Symmetric Nonnegative matrix Factorization,SymNMF)算法大都仅依赖初始数据构造亲和矩阵,并且一定程度上忽视了样本有限的成对约束信息,无法有效区分不同类别的相似样本以及学习样本的几何特征.针对以上问题,提出了基于约束图正则的块稀疏对称非负矩阵分解(Block Sparse Symmetric Nonnegative Matrix Factoriza-tion Based on Constrained Graph Regularization,CGBS-SymNMF).首先,通过先验信息构造约束图矩阵,用于指导类别指示矩阵区分高相似度的不同类别样本;然后,引入PCP-SDP(Pairwise Constraint Propagation by Semi-definite Programming)方法 ,利用成对约束学习一个新的样本图映射矩阵;最后,利用"勿连"约束构造不相似矩阵,用于引导一个块稀疏正则项,以增强模型抗噪能力.实验结果 表明,所提算法具有更高的聚类精确度和稳定性.
对称非负矩阵因式分解、亲和矩阵、成对约束、图正则、块稀疏
50
TP301.6(计算技术、计算机技术)
国家自然科学基金;广东省研究生教育创新计划项目;广州市科技基金;广东省区域联合基金;重庆师范大学数学学科省部级重点实验室开放课题
2023-07-18(万方平台首次上网日期,不代表论文的发表时间)
共9页
89-97