基于多视图矩阵分解的聚类分析

摘要：

在计算机视觉和模式识别领域, 随着多源信息越来越多, 图像的描述方法也越来越丰富, 多视图学习方法能更充分利用这种多源信息, 进而提高聚类的准确率.因此, 本文提出了两种基于多视图学习的方法:MultiGNMF和MultiGSemiNMF方法.该方法是在矩阵分解的基础之上, 结合以往多视图学习的框架准则, 并利用了样本的局部结构形成的. MultiGNMF和MultiGSemiNMF算法不仅能学习视图间的互补信息, 同时能保持样本的空间结构.但是, MultiGNMF算法只适用于非负的特征矩阵.因此, 考虑到SemiNMF算法相对于NMF算法具有更大的扩展性, 结合多视图学习的框架, 本文又提出了多视图学习的MultiGSemiNMF算法.实验结果证实了这两种方法有较好的性能.

关键词：多视图学习、聚类、矩阵分解、局部结构正则化

所属期刊栏目：44

资助基金：国家自然科学基金61772111;国家自然科学基金创新研究群体科学基金71421001

在线出版日期：2019-05-31（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：2160-2169