企业官网建设流程全解析

时间：2024
发表场所：IEEE Transactions on Knowledge and Data Engineering (TKDE), Vol. 36, No. 9, September 2024

核心思想

针对基于张量奇异值分解（t-SVD）的不完整多视图聚类（IMVC）方法存在的两个局限——（1）t-SVD 仅在前两个模式上做矩阵 SVD、第三模式上做线性变换,因此对旋转敏感,无法同时充分捕捉视图间（inter-view）与视图内（intra-view）的一致性;（2）现有方法只考虑样本在视图间或视图内的相关性,忽略了各视图特征空间本身的低秩结构——本文首先提出FSR-IMVC,将低秩特征空间恢复与基于张量环（TR）分解的低秩自表示学习统一到一个框架中,迭代地利用学习到的视图间/视图内相关性指导缺失特征的恢复,同时恢复出的低秩特征空间反过来促进一致性学习。在此基础上,本文进一步将锚点学习（anchor learning）引入潜在特征空间,得到可扩展版本sFSR-IMVC,以适用于大规模数据,显著降低计算复杂度。

目标函数

sFSR-IMVC 的统一优化模型为:

min⁡{