【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
...【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
...【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:
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。