ت clustering تحتية متعددة الأطراف المخفية

في هذه الورقة، نقترح طريقة جديدة ل clustering تحتية متعددة الأطراف المخفية (LMSC)، والتي تجمع بين نقاط البيانات مع تمثيل مخفي وتستكشف في الوقت نفسه المعلومات التكميلية الأساسية من وجهات نظر متعددة. على عكس معظم طرق clustering تحتية المنظور الأحادي الموجودة التي تعيد بناء نقاط البيانات باستخدام الميزات الأصلية، تسعى طريقتنا إلى التمثيل المخفي الأساسي وتقوم في الوقت نفسه بإجراء إعادة بناء البيانات بناءً على التمثيل المخفي المتعلم. مع التكميلية لوجهات النظر المتعددة، يمكن أن يصور التمثيل المخفي البيانات نفسها بشكل أكثر شمولاً من كل وجهة نظر فردية، مما يجعل تمثيل الفضاء الفرعي أكثر دقة وقوة أيضًا. الطريقة المقترحة بسيطة ويمكن تحسينها بكفاءة باستخدام خوارزمية مضاعف لاجرانج المعزز مع تقليل الاتجاه المتناوب (ALM-ADM). أثبتت التجارب الواسعة على مجموعات البيانات المرجعية فعالية الطريقة المقترحة لدينا.