优化案例(part4)--A novel consensus learning approach to incomplete multi-view clustering

本文介绍了CLIMC算法,一种针对不完整多视图聚类的共识学习方法。文章详细阐述了目标函数、优化方案,包括P、S、U(v)和Z(v)四个子问题的解决策略,并给出了算法流程。通过对目标函数的迭代优化,求得局部最优解,最终实现低维表示P和一致性相似图S的聚类。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

学习笔记,仅供参考,有错必纠



目标函数


CLIMC的目标函数可以写成:
在这里插入图片描述
其中,λ3为超参数,表示低维共识表示与共识相似图之间的相关性强度。

优化方案


目标函数(12)不是同时在所有变量上凸的. 在本文中,我们提出了一种迭代优化算法来获得局部最优解.


P-子问题

固定其他变量,我们更新P通过最小化以下函数:
在这里插入图片描述
对L§求关于P的导数并让它等于0,我们得到:

在这里插入图片描述
将正交约束 U ( v ) T U ( v ) = I U^{(v)T}U^{(v)}=I <

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

GUI Research Group

谢谢支持!

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值