다중 뷰 클러스터링을 위한 텐서 기반 적응 합의 그래프 학습

다중 뷰 클러스터링은 고차원 데이터 처리에서의 인상적인 성능 덕분에 최근 몇 년간 상당한 주목을 받고 있습니다. 대부분의 다중 뷰 클러스터링 모델은 여전히 다음과 같은 한계를 겪고 있습니다. 이들은 여러 뷰 간의 공통 표현 또는 쌍별 상관관계를 강조하는 반면, 고차 상관관계를 무시합니다. 클러스터링 과정에서 여러 뷰의 가중치나 특이 값의 사전 정보가 무시됩니다. 따라서 이러한 문제를 해결하기 위해 텐서 기반 적응 합의 그래프 학습(TACGL) 모델이 제안됩니다. 구체적으로, 여러 뷰의 모든 표현 행렬이 표현 텐서로 쌓여져 여러 뷰 간의 고차 연결을 드러냅니다. 저순위 속성을 유지하고 특이 값의 사전 정보를 발견하기 위해 표현 텐서에 가중치 텐서 핵 노름이 부과됩니다. 합의 그래프 학습을 통해 그래프 학습의 가중치가 각 유사성 그래프에 자동으로 할당되어 통합 그래프 행렬을 생성합니다. 샘플을 원하는 클러스터 수로 분할하는 데 도움이 되는 라플라시안 순위 제약이 통합 행렬에 부과됩니다. TACGL 문제를 해결하기 위해 교호 방향 방법(ADMM)을 기반으로 한 알고리즘이 설계되었습니다. 10개의 데이터 세트에서 수행된 종합적인 실험을 기반으로, 제안된 모델이 14개의 최첨단 모델에 비해 상당한 이점을 보여준다는 것이 분명합니다.