基于图信息的自监督多视角子空间聚类
多视角子空间聚类方法通常用于处理高维度、复杂结构的数据.现有的大多数多视角子空间聚类方法通过挖掘潜在图信息进行数据分析与处理,但缺乏对潜在子空间表示的监督过程.针对这一问题,本文提出一种新的多视角子空间聚类方法,即基于图信息的自监督多视角子空间聚类(SMSC).它将谱聚类与子空间表示相结合形成统一的深度学习框架.SMSC首先通过挖掘多视角数据的一阶图和二阶图构成潜在图信息,其次利用聚类结果监督多个视角的公共潜在子空间学习过程.通过在4个标准数据集上进行的广泛实验,结果验证本文所提方法相较于传统的多视角子空间聚类方法更具有效性.
多视角聚类、子空间聚类、自监督学习、空间聚类算法、机器学习算法
31
TP391;TP181;TN911.7
西安市科技计划2020KJRC0027
2022-05-17(万方平台首次上网日期,不代表论文的发表时间)
共5页
377-381