计算机科学与探索

作者：范瑞东, 侯臣平

单位：国防科技大学 文理学院 体系科学系，长沙 410073

关键词：鲁棒性,自加权,多视图子空间聚类,矩阵分解

随着收集和存储数据的能力不断提高，真实数据通常由不同的表现形式（视图）组成。因此多视图学习在机器学习与模式识别领域中扮演着重要的角色。近年来，多种多视图学习方法被提出并应用于不同的实际场景中。然而，在目标函数中大部分数据点存在平方残差，少数误差较大的离群点很容易令目标函数失效，因此如何处理冗余数据是多视图学习面临的重要挑战。为解决上述问题，提出一种鲁棒自加权的多视图子空间聚类模型。该模型利用Frobenius范数来处理数据的平方误差的同时利用[?1]范数来处理数据的离群点，有效地平衡了离群点与普通数据点对性能的影响。此外，与通过引入超参数来衡量不同视图对模型的影响的传统方法不同，该模型自动学习了每个视图的权重。由于该模型是一个非光滑非凸问题，很难直接求解，设计了一个有效的算法并分析了算法的收敛性和计算复杂度。相比于传统的多视图子空间聚类算法，在多个多视图数据集上的实验结果表明了算法的有效性。

来源：2021年第6期

《计算机科学与探索》期刊编辑部

查看计算机科学与探索杂志2021年第6期