微网站建设教学,江苏建设电子证书查询,旅游网页设计模板下载,易语言做网站多视图聚类
目前大概有以下几种#xff1a;
多视图k-means聚类多视图谱聚类多视图图聚类多视图子空间聚类 (multi-view subspace clustering)深度学习多视图聚类 (deep multi-view clustering)
其中多视图子空间聚类具有不错的数据表征能力。 对于多视图子空间聚类而言
多视图k-means聚类多视图谱聚类多视图图聚类多视图子空间聚类 (multi-view subspace clustering)深度学习多视图聚类 (deep multi-view clustering)
其中多视图子空间聚类具有不错的数据表征能力。 对于多视图子空间聚类而言又能细分成以下几个小类 (1) 自我表示学习 (2) 矩阵分解 (3) 共享视图锚点学习
这几个小类的出现是符合时间顺序的。 由于自我表示学习算法在创建图(graph construction)与谱嵌入(spectral embedding)过程中有着O(n^3)甚至更高的复杂度其难于在大尺度的数据上进行应用。 此时人们就引入了矩阵分解的方法将输入分解为基本矩阵和低秩的系数矩阵同时与子空间方法进行融合。
但是这种矩阵分解的方法存在着缺陷。即不同的视图对应着不同的基本矩阵导致产生的子空间存在着内部不一致性。
此时共享视图锚点学习就被提出了。首先如果我们需要k个锚点算法的时间复杂度就由O(nnn)变更为O(nkk)。 如果k远远小于n的话那么算法的复杂度就大大减少了。 其次k个被选中的锚点被多个视图共有可以保证融合的子空间的一致性形成多个视图间的信息互补。
