Core Concepts
Eine effiziente und integrierte Methode zur Mehransichten-Clusteranalyse, die die Ausrichtung der Partitionen zwischen verschiedenen Ansichten maximiert und die gemeinsame Unterraumrepräsentation direkt für die Clusteroptimierung und Labelzuweisung nutzt.
Abstract
Die vorgeschlagene Methode OS-LFMVC-CS (One-Step Late Fusion Multi-view Clustering with Compressed Subspace) bietet mehrere Vorteile:
Sie kann die Clusterlabels in einem Schritt direkt optimieren, indem sie die Labelzuweisung und die Clusterstrukturoptimierung in einem einheitlichen Framework integriert.
Sie ist sehr effizient mit einem linearen Zeit- und Platzbedarf, was eine direkte Anwendung auf großskalige Mehransichten-Datensätze ermöglicht.
Es wird ein sechsstufiger iterativer Optimierungsalgorithmus mit nachgewiesener Konvergenz vorgeschlagen.
Umfangreiche Experimente auf mehreren Benchmarkdatensätzen belegen die Effektivität und Effizienz des Verfahrens.
Der Algorithmus maximiert die Ausrichtung der Partitionen zwischen den Ansichten durch Optimierung einer gemeinsamen Unterraumrepräsentation. Dabei wird die fusionierte Partitionsmatrix direkt zur Steuerung des Lernens diskreter Labels verwendet. Die Methode vermeidet die übliche Trennung von Labellernen und Clusterstrukturoptimierung und erreicht so eine höhere Integrität des Modells.
Stats
Die Clusteranzahl beträgt µ.
Die Dimension der Partitionsmatrizen ist k.
Die Dimension des komprimierten Unterraums ist m.
Quotes
Keine relevanten Zitate identifiziert.