【论文笔记】Dynamic Hypergraph Structure Learning（动态超球体结构学习）_dynamic hypergraph structure learning.-优快云博客

本文提出了一种新的动态超球体结构学习方法，该方法不仅优化了标签投影矩阵，还首次尝试在学习过程中优化超球体结构。通过交替学习最佳标签投影矩阵和超图结构，实现了动态超图结构的生成。实验结果表明，此方法在3D形状识别和手势识别等任务上取得了显著的性能提升。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

主要内容翻译：

最近这些年，超球体模型已经在许多例子的相关公式中展示了它的优越性，并且广泛应用于分类，回归和其他任务中。在所有这些任务中，超球体学习的表现高度依赖于生成的超球体结构。一个优秀的超球体结构可以更好地表达数据之间的关联，而且反过来也是一样。虽然超球体最近吸引到了不少关注，大多数现有的超球体结构依然依赖静态超球体结构，而且几乎没有在学习过程中优化超球体结构这一方向的努力。
为了解决这个问题，
我们在这篇文章中第一次提出了动态超球体结构学习方法。在这种方法中，给定最初生成的超图结构，我们工作的目标是同时优化标签投影矩阵（超图学习的常规操作）和超图结构本身。
一方面，标签投影矩阵在公式中与我们的超图结构相关，与传统做法相同。另一方面，与仅仅依赖于特征空间的现存超图空间不同，我们公式中的超图结构优化过程同时利用标签空间和特征空间的数据。接下来，我们交替学习最佳标签投影矩阵和超图结构，在学习过程中得到一个动态的超图结构。我们已经将这个任务中提出的方法应用到了3D形状识别和手势识别。在四个公开数据集上的实验结果相比当前最佳结果取得了更好的表现。我们注意到，这种方法可以应用到更多方面上。