科研之友
微信
新浪微博
Facebook
分享链接
摘要
基于潜在空间学习的多视图聚类研究得到了较大发展，但其通常忽略了原始数据中冗余信息的存在可能会带来不理想的聚类结果。为解决这个问题，提出一种潜在表示学习框架下的低冗余多视图聚类算法。基于k-means的方法，直接从各视图数据学习其低维表示，由于该低维表示的各个特征相互正交，学习到的低维表示通常含有较少的冗余信息。基于潜在空间的假设，各视图的低维表示可由同一个潜在表示投影得到。将两者结合，就能得到一个具有低冗余信息的统一的潜在表示。设计了一个优化算法来求解目标问题，在多个公开数据集上的实验表明了该算法的有效性。
- 单位
