Adaptive latent similarity learning for multi-view clustering
Adaptive latent similarity learning for multi-view clustering
复制标题
多视图聚类的自适应潜在相似性学习
DOI：
10.1016/j.neunet.2019.09.013
复制
发表时间：
2020
期刊：
影响因子：
7.8
通讯作者：
Xinbo Gao
中科院分区：
文献类型：
--
作者：
Deyan Xie;Quanxue Gao;Qianqian Wang;Xiangdong Zhang;Xinbo Gao
大多数现有的聚类方法采用原始多视图数据作为输入来学习相似性矩阵，该矩阵表征多个视图共享的底层聚类结构。这降低了多视图聚类方法的灵活性，因为多视图数据通常包含噪声，或者应该属于同一聚类的多视图数据点之间的变化大于属于不同聚类的数据点之间的变化。为了解决这些问题，我们提出了一种新的多视图聚类模型，即自适应潜在相似性学习（ALSL）的多视图聚类。ALSL采用自适应学习的图，它描述了集群之间的关系，作为新的输入来学习潜在的数据表示，并集成了潜在的相似性表示学习，流形学习和谱聚类到一个统一的框架。潜在相似性表示利用多个视图的互补性来表征多个视图共享的底层聚类结构。我们的模型是直观的，可以有效地优化使用增广拉格朗日乘子交替方向最小化（ALM-ADM）算法。在基准数据集上进行的大量实验证明了该方法的优越性。
Most existing clustering methods employ the original multi-view data as input to learn the similarity matrix which characterizes the underlying cluster structure shared by multiple views. This reduces the flexibility of multi-view clustering methods due to the fact that multi-view data usually contains noise or the variation between multi-view data points, which should belong to the same cluster, is larger than the variation between data points belonging to different clusters. To address these problems, we propose a novel multi-view clustering model, namely adaptive latent similarity learning (ALSL) for multi-view clustering. ALSL employs the adaptively learned graph, which characterizes the relationship between clusters, as the new input to learn the latent data representation and integrates the latent similarity representation learning, manifold learning and spectral clustering into a unified framework. With the complementarity of multiple views, the latent similarity representation characterizes the underlying cluster structure shared by multiple views. Our model is intuitive and can be optimized efficiently by using the Augmented Lagrangian Multiplier with Alternating Direction Minimization (ALM-ADM) algorithm. Extensive experiments on benchmark datasets have demonstrated the superiority of the proposed method.
登录
查看更多内容
影响因子：
3.3
作者：
Zheng Liu;H. Ukida;P. Ramuhalli;D. Forsyth
通讯作者：
Zheng Liu;H. Ukida;P. Ramuhalli;D. Forsyth
DOI：
10.1016/j.patrec.2016.08.002
发表时间：
2016-12
期刊：
Pattern Recognit. Lett.
影响因子：
--
作者：
Linlin Zong;Xianchao Zhang;Hong Yu;Qianli Zhao;Feng Ding
通讯作者：
Linlin Zong;Xianchao Zhang;Hong Yu;Qianli Zhao;Feng Ding
影响因子：
6
作者：
L. Maaten;Geoffrey E. Hinton
通讯作者：
L. Maaten;Geoffrey E. Hinton
影响因子：
11.8
作者：
Gao, Quanxue;Ma, Lan;Nie, Feiping
通讯作者：
Nie, Feiping
用于线性降维的稳定正交局部判别嵌入
DOI：
10.1109/tip.2013.2249077
发表时间：
2013-02
期刊：
IEEE Trans. Image Processing
影响因子：
--
作者：
Jingjie Ma;Hailin Zhang;Xinbo Gao;Yamin Liu
通讯作者：
Yamin Liu