控制与决策

作者：李骜,陈嘉佳,于晓洋,陈德运,张英涛,孙广路

单位：哈尔滨理工大学 计算机科学与技术学院,哈尔滨 150080;哈尔滨理工大学 仪器科学与技术博士后流动站, 哈尔滨 150080,,哈尔滨理工大学 计算机科学与技术学院,哈尔滨 150080,,哈尔滨理工大学 仪器科学与技术博士后流动站, 哈尔滨 150080,,哈尔滨理工大学 计算机科学与技术学院,哈尔滨 150080,,哈尔滨工业大学 计算机科学与技术学院,哈尔滨 150001,,哈尔滨理工大学 计算机科学与技术学院,哈尔滨 150080,

关键词：谱聚类;多视角学习;相似性图学习;低秩表示;张量分析;不完备数据

基金：国家自然科学基金项目(62071157)；黑龙江省青年创新人才计划项目(UNPYSCT-2018203)；黑龙江省自然科学基金优秀青年基金项目(YQ2019F011)；黑龙江省高等学校基本科研业务专项基金项目(LGYC 2018JQ013)；哈尔滨市应用技术研究与开发项目(2017RALX006).

现有多视角图学习方法主要建立在数据具有较好完备性的前提假设下,没有充分地考虑由于特征缺失引起的不完备数据的学习问题.针对此问题,提出一种不完备数据的多视角图学习方法.一方面,从局部视角内将数据重建和图学习放入同一框架,通过不完备数据补偿,实现从重建数据中学习视角专属的近邻关系,弥补特征缺失对数据分布的影响.另一方面,为了保持近邻图的二维结构,引入张量分析,从全局角度构造基于多视角的融合图学习约束,捕获缺失数据下视角间图结构的高阶潜在关联性.框架交替的优化数据重建、视角专属图学习和融合张量图结构学习,使其在迭代中相互促进,有效提高模型对不完备多视角数据的学习能力.将所提出的方法应用于两类不完备数据的多视角聚类实验,其结果表明所提出方法在多项性能指标和鲁棒性方面均优于当前主流的多视角聚类方法.

来源：2022年第12期

《控制与决策》期刊编辑部

查看控制与决策杂志2022年第12期