流形学习与成对约束联合正则化非负矩阵分解

摘要：

为处理目标数据集仅有部分成对约束信息可用的半监督聚类场景,基于非负矩阵分解(NMF)架构,通过学习给定成对约束知识和运用流形正则化理论提出了流形学习与成对约束联合正则化非负矩阵分解聚类方法(NMF-JRMLPC).该方法一方面引入图拉普拉斯以刻画大量无标记样本蕴含的流形结构信息,另一方面将已知样本间的must-link或cannot-link成对约束规则融入目标优化设计,在很大程度上提高了所得算法的聚类性能.此外基于l2,1范数的损失函数设计也有助于优化NMF-JRMLPC的鲁棒性.在八个真实数据集上的实验结果证实了所提方法的有效性.

关键词：聚类、非负矩阵分解(NMF)、流形正则化、成对约束、半监督学习

所属期刊栏目：14

分类号：TP391(计算技术、计算机技术)

资助基金：The National Natural Science Foundation of China under Grant Nos. 61772241, 61702225 国家自然科学基金面上项目;the Natural Science Foundation of Jiangsu Province under Grant No. BK20160187 江苏省自然科学基金;the Fundamental Research Funds for the Central Universities of China under Grant No. JUSRP51614A 中央高校基本科研业务费专项资金;the Qinglan Project of Jiangsu Province 江苏省青蓝工程项目;the Six Talent Peaks Project of Jiangsu Province 江苏省六大人才高峰项目

在线出版日期：2020-07-14（万方平台首次上网日期，不代表论文的发表时间）

页数：共10页

页码：1211-1220