基于自适应权重融合的深度多视子空间聚类
针对深度多视子空间聚类网络在进行数据融合时不能区分各视图可靠性,以及缺乏对多视数据间一致性信息与互补性信息的利用等问题,提出一种基于自适应的权重融合深度多视子空间聚类(deep multi-view subspace clustering based on adaptive weight fusion,DMSC-AWF)方法.首先,通过使各视图共享同一个自表示层学习一个公共的表示矩阵,同时为各视图分别构建自表示层来学习各视图特定的表示矩阵,以此确保多视数据的一致性信息和互补性信息得以有效利用.然后,在共享自表示层基础上引入注意力模块来量化不同视图的重要性,注意力模块自适应地为每个视图数据分配权重.最后,在4 个公开数据集上进行聚类实验,该方法的聚类结果相比于对比方法有明显的提升,并且,通过退化实验验证了注意力模块学习视权重的有效性和重要性.
深度子空间聚类、表示矩阵、多视、权重自适应、注意力模块、权重分配
49
TP183(自动化基础理论)
国家自然科学基金61772048
2023-07-18（万方平台首次上网日期，不代表论文的发表时间）
共11页
758-768
