自定义博客皮肤VIP专享

*博客头图:

格式为PNG、JPG,宽度*高度大于1920*100像素,不超过2MB,主视觉建议放在右侧,请参照线上博客头图

请上传大于1920*100像素的图片!

博客底图:

图片格式为PNG、JPG,不超过1MB,可上下左右平铺至整个背景

栏目图:

图片格式为PNG、JPG,图片宽度*高度为300*38像素,不超过0.5MB

主标题颜色:

RGB颜色,例如:#AFAFAF

Hover:

RGB颜色,例如:#AFAFAF

副标题颜色:

RGB颜色,例如:#AFAFAF

自定义博客皮肤

-+
  • 博客(7)
  • 收藏
  • 关注

原创 文献阅读:Incomplete multi-view subspace clustering with adaptiveinstance-sample mapping and deep featur

解读:这篇文献是一篇关于不完全多视图聚类的文章,因此摘要的第一部分就首先介绍了目前多视图的子空间聚类被应用于各个实际场景,这些多视图的数据融合了各个视图的互补信息,将所有样本视为广义子空间的一组基,这个表示他将每个数据集或视图中的所有样本都视为某种特定数学空间的基础。同时假设了以下一个实例具有所有视图所对应的特征,对于这些多视图的子空间聚类,文献作者提出由于故障,每一个视图都有可能会丢失一部分的特征,从而导致产生不完全的多视图数据集。然而,由于故障,每个视角可能会丢失一些特征,导致了不完整的多视角数据集。

2023-12-20 17:20:44 338 2

原创 聚类算法——层次聚类

聚类学习一、基本概念二、自下而上的合并算法三、两个组合数据点间的距离四、层次聚类的优点和缺点。

2023-11-30 21:47:57 1018

原创 文献阅读:Adaptive Feature Projection With Distribution Alignment for Deep IMVC(abbreviation)

解读:首先介绍了目前不完全多视图聚类的必要性,然后总结了目前已有的不完全多视图聚类方法仍未解决的两个问题,同时也是本文已经解决的两个问题,即针对不完全多视图聚类大多数都是采用对数据进行补全的操作,然后再进行聚类,但是确实数据的标签信息会导致我们根据这个标签信息来补全数据,可能会出现补全的值不是很准确从而导致聚类效果降低的情况。然后,我们优化共同特征与所有视图的视图特定特征之间的互信息损失,以挖掘它们的共同聚类信息,同时优化完整数据和不完整数据特征之间的均值差异损失,以在特征学习中对齐它们的分布。

2023-11-29 22:39:40 727 3

原创 文献阅读:Deep Incomplete Multi-view Clustering with Cross-view Partial Sample andPrototype Alignment

然后,针对IMVC中的偏移原型,我们进一步提出了一个原型对齐模块,以实现跨视图的不完整分布校准。背景总结:尽管已经提出了几种解决IMVC的尝试,但它们存在以下缺点:i) 现有方法主要采用跨视图对比学习,强迫每个样本在不同视图中的表示完全相同,这可能忽略了视图差异和表示的灵活性;ii) 由于多个视图中缺乏未观察到的样本,聚类的获得原型可能不对齐且存在偏差,导致错误的融合。(2)为了解决由不完整信息引起的原型偏移问题,CPSPAN 提出进一步对不同视图之间的原型集进行对齐,以挖掘一致的跨视图结构信息。

2023-11-15 14:40:47 875 1

原创 聚类算法——DBSCAN算法

聚类学习一、基本概念二、工作流程三、参数选择四、DBSCAN算法的优缺点: 优点:缺点:五、MATLAB的DBSCAN算法代码实现: 代码描述:定义 DBSCAN 函数:包含三个函数:(DBSCAN算法的主函数),(用于找到邻域内的点),(用于扩展聚类)。DBSCAN 算法:主要分为几个步骤:数据预处理:准备数据并设置 DBSCAN 的参数( 和 )。运行 DBSCAN 算法:使用提供的数据和参数运行 DBSCAN 函数,获得聚类结果和聚类数目。输出结果:显示聚类结果和聚类的数量。

2023-11-14 19:07:15 3346

原创 文献阅读:Scalable incomplete multi-view clustering with adaptive datacompletion

不完全多视图聚类文献

2023-11-12 21:01:33 259 1

原创 聚类算法——K-Means算法

最后,查看输出结果,即聚类中心和每个样本的分配情况。2.聚类:在一堆数据里面,把相似的东西分到一组,一组为一类,也叫一个簇。3.难点:如何去评价聚类的结果的好坏,怎样把参数调到适合数据聚类的大小。:每个样本的分配结果,表示每个样本被分配到的聚类簇的索引。:输入数据矩阵,每一行代表一个样本,每一列代表一个特征。f. 输出结果:输出聚类中心和每个样本的分配结果。:聚类中心的最终结果,表示每个聚类的中心点。:聚类的数目,指定将数据分成的簇的数量。:初始聚类中心,从数据中随机选择的样本。

2023-11-12 20:27:37 443 1

Incomplete multi-view subspace clustering with adaptive instance

Incomplete multi-view subspace clustering with adaptive instance

2023-12-20

Scalable incomplete multi-view clustering with adaptive data com

Scalable incomplete multi-view clustering with adaptive data completion

2023-11-30

Deep Incomplete Multi-view Clustering with Cross-view Partial Sa

Deep Incomplete Multi-view Clustering with Cross-view Partial Sample and Prototype Alignment

2023-11-30

Adaptive Feature Projection With Distribution Alignment for Deep

Adaptive Feature Projection With Distribution Alignment for Deep IMVC Incomplete Multi-View Clustering

2023-11-30

空空如也

TA创建的收藏夹 TA关注的收藏夹

TA关注的人

提示
确定要删除当前文章?
取消 删除