一种基于深层特征增强的多视图隐空间融合表征方法

作者

郑婷一吴嘉琪张彬彬王莉
单位

太原理工大学信息与计算机学院山西能源学院电气与控制工程系新南威尔士大学太原理工大学大数据学院
摘要

为丰富单视图特征的表达和实现多视图间互补学习，提出一种基于深层特征增强的多视图隐空间融合表征方法，该模型共三个子模块：单视图增强学习、多视图互补融合、基于聚类任务导向的自表达学习。首先，引入胶囊网络的动态路由机制，在目标函数中加入间隔损失惩罚项，得到差异性特征增强的单视图表征；然后，融合不同视图的重要特征，学习得到多视图的公共隐空间，实现视图特征间的互补表达，得到满足分类任务的融合表征；进而，利用子空间聚类算法学习隐空间的自表达矩阵，在目标函数中加入隐空间重构误差矩阵和噪声数据矩阵的低秩表示约束项，得到满足聚类任务的融合表征。最后，在4个不同数据集上的分类和聚类实验结果表明，与多个基准算法相比，本算法性能稳定提升，学到的融合表征能较好地满足下游分类和聚类任务需求。
关键词

多视图学习隐空间学习子空间聚类
基金项目(Foundation)

国家自然科学基金资助项目（61872260）；山西省基础研究计划（自由探索类）项目（20210302124551）；山西省教育厅科技创新计划资助项目（2020L0735）；
文章目录

1 方法描述
1.1 MLSFR算法描述
1.1.1 单视图特征增强学习
1.1.2 多视图互补融合
1.1.3 基于聚类导向的自表达学习
1.2 算法优化
1) 更新投影矩阵P.固定除变量P以外的其他变量，得到关于变量P的优化函数为：
2) 更新隐空间矩阵H.固定除变量H以外的其他变量，得到关于变量H的优化函数为：
3) 更新自表达矩阵Z.固定除变量Z以外的其他变量，优化函数表示为：
4) 更新误差矩阵E.固定除变量E以外的其他变量，优化函数如下：
5) 更新M.优化函数如下：
6) 更新拉格朗日乘子Q1,Q2,Q3.根据ALM算法，拉格朗日乘子的更新函数如下：
2 实验结果与分析
2.1 数据集
2.2 评测标准及基准算法
2.3 聚类任务结果与分析
2.4 分类任务结果与分析
3 结束语
引用格式

郑婷一,吴嘉琪,张彬彬,王莉.一种基于深层特征增强的多视图隐空间融合表征方法[J].太原理工大学学报,2022,53(04):697-706.DOI:10.16355/j.cnki.issn1007-9432tyut.2022.04.014.