当前位置: 首页 > 专利查询>贵州大学专利>正文

一种面向多视图聚类的插用式跨视图预学习方法技术

技术编号:44334830 阅读:16 留言:0更新日期:2025-02-18 20:44
本发明专利技术属于数据分析与应用技术领域,具体涉及一种面向多视图聚类的插用式跨视图预学习方法,包括以下步骤:首先采用多视图自动编码器获得各个视图上原始输入数据的编码表示;然后采用跨视图的对比学习方式引入多视图之间的互补一致性信息;最后联合优化将多视图重构损失和跨视图对比学习损失作为总任务损失进行模型监督。本发明专利技术通过引入跨视图对比学习和插用式的预学习方法,充分考虑多视图信息,在特征学习阶段对多视图信息进行全面有效的整合,从而提高模型的表达能力和聚类性能,减少信息丢失现象,实现更准确和稳定的多视图聚类结果。

【技术实现步骤摘要】

本专利技术属于数据分析与应用,具体涉及一种面向多视图聚类的插用式跨视图预学习方法


技术介绍

1、近年来,多视图聚类方法作为数据分析工作的组成部分,有效的支撑了文本、图像等众多领域的数据分析与应用。其核心思想在于整合并利用数据源多个视角的数据,揭示数据之间的复杂关系,挖掘出更为丰富和准确的信息,并将这些信息用于有效的聚类分析。随着深度学习的发展,多视图深度聚类方法逐渐成为了一个研究热点。

2、多视图深度聚类方法主要分为表示学习和聚类任务两个阶段。其中,表示学习阶段可分为表示预学习和表示微调两个关键步骤。表示预学习旨在通过降维、特征选择和变换等技术,优化原始数据的表示,去除噪声并捕捉关键信息。表示微调则根据具体的聚类任务进一步调整表示,包括调整特征权重和增强特定特征的表达能力。聚类任务阶段,将数据分组成具有相似特征的类别或簇,以便进行进一步的数据分析和理解。近期大量的工作表明,样本表示的性能的提升,大大提高了聚类划分的准确性,使得多视图深度聚类方法具有更优的性能结果。

3、对于真实数据而言,数据的多视图之间存在相互补充增强的关系。例如本文档来自技高网...

【技术保护点】

1.一种面向多视图聚类的插用式跨视图预学习方法,其特征在于,包括以下步骤:

2.根据权利要求1所述的一种面向多视图聚类的插用式跨视图预学习方法,其特征在于,所述多视图自动编码器为去噪自动编码器、卷积自动编码器、长短期记忆自动编码器或对抗式自动编码器。

3.根据权利要求1所述的一种面向多视图聚类的插用式跨视图预学习方法,其特征在于,在多视图聚类任务中,给定含有个视图和个样本的多视图数据集,并以{}表示视图的原始输入数据,表示视图的原始输入数据的输入维度;对于给定视图的原始输入数据,对应编码层的学习表示的数学表达式为:

4.根据权利要求3所述的一种面向多视...

【技术特征摘要】

1.一种面向多视图聚类的插用式跨视图预学习方法,其特征在于,包括以下步骤:

2.根据权利要求1所述的一种面向多视图聚类的插用式跨视图预学习方法,其特征在于,所述多视图自动编码器为去噪自动编码器、卷积自动编码器、长短期记忆自动编码器或对抗式自动编码器。

3.根据权利要求1所述的一种面向多视图聚类的插用式跨视图预学习方法,其特征在于,在多视图聚类任务中,给定含有个视图和个样本的多视图数据集,并以{}表示视图的原始输入数据,表示视图的原始输入数据的输入维度;对于给定视图的原始输入数据,对应编码层的学习表示的数学表达式为:

4.根据权利要求3所述的一种面向多视图聚类的插用式跨视图预学习方法,其特征在于,对于给定视图和其对应的编码表示,其具体解码过程的数学表达式为:

5.根据权利要求1所述的一种面向多视图聚类的插用式跨视图预学习方法,其特征在于,采用跨视图的对比学习方式引...

【专利技术属性】
技术研发人员:黄瑞章张岩杨龙秦永彬陈艳平林川
申请(专利权)人:贵州大学
类型:发明
国别省市:

网友询问留言 已有0条评论
  • 还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。

1