Self-paced and auto-weighted multi-view clustering 阅读笔记
L21-norm
其中i表示行,j表示列,L21范数计算矩阵每一行L2范数的和,对应行稀疏。
非负矩阵分解NMF
X是数据集,,n个数据点,每个为d维,k为聚类数。表示类别分配矩阵,表示聚类中心矩阵,每一列表示一个聚类中心的特征。
multi-view NMF
m表示视图,表示该视图下的对应变量,不同视图下G相同
SPMVC
表示不同视图的SPL惩罚权重,表式不同视图下样本的权重,其中表示样本的权重向量。
表示视图的权重,视图重要性参数需要指定。
样本重要性
以硬权重策略说明,只有loss小于的样本才被加入训练
视图重要性
采用自动权重的方法计算
首先给出自动权重时的目标函数:
写出其拉格朗日函数:
对拉格朗日函数式(7)对G求导得:
如果固定,把式(9)代入式(6),则变成求解如下问题
之所以这样做是因为如果对式(10)的拉格朗日函数对G求导,同样可以得到式(8),即可认为问题式(6)和式(10)对应的G的解一致。因此可以按照式(9),利用G和F更新。如果视图m能达到一个好的聚类,则式(10)中的L21范数应该较小,根据式(9)L21范数小则较大。
模型优化
更新两部分参数:模型参数,权重向量V
更新权重向量V
其中表示视图m下Xi的重建损失,若Xi靠近聚类中心则损失较小,即:
硬权重和软权重两种方式
更新G和F
固定V,求解G和F。由于V固定,对于式(10)可以写作如下形式:
取如下表达式:
则式(16)可以写成如下形式:
其中表示对角阵的第i个对角元,即。
其中,
先固定G,求解
根据式(18),先固定G,求解,即对求导,令导数为0则:
先固定,求解G
根据式(18)得:
也就是说,对于数据点i,需要求解如下问题:
其中,由于只有一个元素为1,所以g有K种解,进行遍历求解。下式中是单位阵得第j列。
Self-paced and auto-weighted multi-view clustering 阅读笔记相关推荐
- 2.View绘制分析笔记之onMeasure
今天主要学习记录一下Android View绘制三部曲的第一步,onMeasure,测量. 起源 在Activity中,所有的View都是DecorView的子View,然后DecorView又是被V ...
- 论文阅读笔记(4):Local Convex Representation with Pruning for Manifold Clustering ,带剪枝的局部凸表达进行流形聚类
论文阅读笔记(4):带剪枝的局部凸表达进行流形聚类 介绍 文章主要贡献 理论上:局部凸表达(Local Convex Representation, **LCR**) 剪枝方法:估计流形的内在维数以剪 ...
- An improved Otsu method using the weighted object variance for defect detection-论文阅读笔记
An improved Otsu method using the weighted object variance for defect detection 一种改进的基于加权目标方差的Otsu缺陷 ...
- 论文阅读笔记(2):Learning a Self-Expressive Network for Subspace Clustering,SENet,用于大规模子空间聚类的自表达网络
论文阅读笔记(2):Learning a Self-Expressive Network for Subspace Clustering. SENet--用于大规模子空间聚类的自表达网络 前言 摘要 ...
- 论文阅读笔记(8):Structured Sparse Subspace Clustering: A Joint Affinity Learning and Subspace Clustering
论文阅读笔记(8):Structured Sparse Subspace Clustering: A Joint Affinity Learning and Subspace Clustering F ...
- 论文阅读笔记(15):Deep Subspace Clustering with Data Augmentation,深度子空间聚类+数据增强
论文阅读笔记(15):Deep Subspace Clustering with Data Augmentation,深度子空间聚类+数据增强 摘要 1 介绍 2 相关工作 带增强的聚类方法 具有一致 ...
- 【论文阅读笔记】Efficient and Secure Federated Learning With Verifiable Weighted Average Aggregation
个人阅读笔记,若有错误欢迎指正 期刊:2023 TNSE 论文链接: Efficient and Secure Federated Learning With Verifiable Weighted ...
- 25. Deep Weighted MaxSAT for Aspect-based Opinion Extraction 阅读笔记
25. Deep Weighted MaxSAT for Aspect-based Opinion Extraction 阅读笔记 Author Information::Meixi Wu* , We ...
- 论文阅读笔记(5):Oracle Based Active Set Algorithm for Scalable Elastic Net Subspace Clustering
论文阅读笔记(5):Oracle Based Active Set Algorithm for Scalable Elastic Net Subspace Clustering,基于Oracle的可伸 ...
- 自定义View步骤学习笔记
用途 : 一个View内部的子控件比较多的时候可以自定义一个View,把它内部的子控件屏蔽起来(就像苹果的导航栏上面的UIBarButton,你是通过BarButtonitem来修改显示的内容) 1. ...
最新文章
- “兴趣社区2.0”俘获年轻人
- 皮卡丘为什么不进化_皮卡丘为啥不进化成雷丘?小智都暗示得这么明显皮卡丘还是拒绝了...
- 网页登陆验证之图片验证码
- android中调用fft函数,J使用PCM数据在Android中转换FFT(JTransforms FFT in Android from PCM data)...
- JAVA Spring 简单的配置和操作 ( 创建实体类, 配置XML文件, 调试 )
- Python的gc模块
- C语言 游戏远程call调用,创建远程线程 调用游戏所有call
- 淡定!不要因为纳入了高考和二级考试甚至极个别小学课程就盲目夸大Python!...
- 云终端linux,云终端详细介绍,看完你就都懂了
- 【Head First Java 读书笔记】(四)对象的行为
- BootStrap引用
- Andorid audio设备名和音频基本概念
- 商务部:保障春节期间“菜篮子”供应充足、价格稳定
- IIS 7 配置备份和还原
- iOS多线程编程--NSOperation(转)
- java实现的端口映射器
- 2021-09-14联想云教室连接不上服务器解决办法
- 5.16 图层合并的几种方式 [原创Ps教程]
- HDU - 5651 xiaoxin juju needs help 逆元模板
- 关于微信数据库文件夹与资源文件夹名称的问题
热门文章
- 树莓派组网 ad-hoc模式
- 苍蓝誓约服务器一直维护,《苍蓝誓约》11月26日09:30停服维护公告
- linux va list,vsprintf函数以及va_list使用详解
- va_list 、va_start、 va_arg、 va_end 使用说明
- 【算法】网球循环赛比赛日程表
- 2022年3月搜索引擎市场份额排行榜
- Linux构建一个deb软件安装包
- android型号的平板电脑,AUTOID Pad /Air-(win)/Air-(android)工业级平板电脑
- PNP三极管和NPN三极管的开关电路(EC极性接线判断简单明了)简单的技巧:三极管上箭头所在方向的二极管,只要二极管正向导通,那么三极管上下就能导通。
- 北京消费扶贫双创中心启用 2000余种特色产品长期展销