点击数: 更新日期: 2022-09-21
中文题目：基于部分隐因子的多视角子空间学习
录用时间：2022年7月27日
论文题目：Partially latent factors based multi-view subspace learning
录用期刊：Computational Intelligence（JCR Q2）
原文DOI：https://doi.org/10.1111/coin.12540
作者列表：
1) 卢润坤 （中国石油大学（北京） 信息科学与工程学院 2017级博士）
2) 刘建伟 （中国石油大学（北京） 信息科学与工程学院 自动化系）
3) 刘泽宇 (中国石油大学(北京) 信息科学与工程学院 控制科学与工程 博20)
4) 陈金忠 (中国特种设备检测研究院)
背景与动机:
多视图子空间聚类在高维数据分析中表现良好，但对数据表示质量敏感。为此，提出了一种两阶段融合策略，将表示学习嵌入到多视图子空间聚类过程中。本文首先提出了一种新的矩阵分解方法，该方法可以从多个视图的观测值中分离出耦合一致和互补信息。基于得到的潜在表示，我们进一步提出了两种子空间聚类策略：特征级融合策略和子空间层次策略。特征级方法将多个视图中的各种潜在表示串联起来，从而将原问题退化为单视图子空间聚类过程。子空间层次化方法对来自每个视图的相应互补和一致的潜在表示执行不同的自我表达重建过程，即对不同类型的子空间表示施加的先验约束与适当的输入因子有关。最后，在真实数据集上的大量实验结果通过与一些最新技术的比较证明了我们提出的方法的优越性子空间聚类算法。
主要内容:
模型结构：
图1：矩阵分解和融合说明：本例中有三个视图，每个视图大约等于投影矩阵和潜在表示矩阵的乘积。
实验结果：
图2:MVSC-CSLFS的收敛性。我们以红色、灰色和蓝色显示了关于三个停止标准的曲线与六个上的迭代数数据集
图3:MVSC-CSLFS的收敛性。我们以灰色、红色、蓝色、绿色和紫色显示了关于五个停止标准的曲线与六个数据集上的迭代次数。
结论:
在这项研究中，我们强调在自我表达的子空间聚类任务中，发现表现良好的表示的重要性，并引入矩阵分解方法来探索和分离多个视图中存在的一致性和视图特定信息。我们提出了两种多视图子空间聚类算法MVSC-CSLF和MVSC-CSLFS。其中，MVSC-CSLF使用特征级融合策略将一致和互补的信息融合生成隐表示，然后对其进行自我表达重建。MVSC-CSLFS使用子空间层次结构策略对不同的子空间表示施加匹配先验约束。实验结果指出数据表示的质量对于子空间聚类至关重要。提出的MVSC-CSLFS可以根据潜在表示的属性，学习一致性和互补性特征。
虽然本研究取得了良好的效果，但仍存在许多挑战。一是提高用于处理非线性和损坏数据的模型。另一种方法是将这种范式转换为具有更强大的表示能力的深度神经网络。最后，我们提出的算法非常耗时，这是一种常见的子空间学习问题。因此，应该引入一些新技术来加速计算，例如二进制表示。
源程序：GitHub - Runkun-Lu/Partially-latent-factors-based-multi-view-subspace-learning: The source code of "Partially latent factors based multi-view subspace learning".
通讯作者简介:
刘建伟，副教授
博士生导师/硕士生导师。长期从事模式识别与智能系统、复杂系统分析与智能控制、机器学习和数据挖掘方面的研究工作。美国数学会《数学评论》评论员，中国人工智能学会机器学习分会高级会员。在计算机学报，自动化学报、计算机研究与发展、Neurocomputing、TNNLS等期刊上和国内国际会议上发表学术研究论文200多篇，其中三大检索150多篇。
联系方式：liujw@cup.edu.cn