新框架解决了多视图聚类中的周期性缺陷

研究人员发现，现有依赖快速傅里叶变换（FFT）的张量多视图聚类（TMC）框架存在一个关键缺陷。这种依赖引入了一个与样本排列相关的隐式“周期性假设”，当样本被随机置换时会导致性能下降。为了克服这一点，提出了一种使用图傅里叶变换（GFT）的新型图谱低秩张量学习框架。该方法用数据驱动的图谱基替换了固定的傅里叶基，捕捉内在流形结构而不依赖于样本排序。还引入了一种基于锚点的变体，用于高效处理大型数据集。 AI

影响 这项研究可能带来更鲁棒、更可靠的聚类算法，特别是在数据排序不能保证或无意义的情况下。

排序理由 该集群包含一篇研究论文，详细介绍了一种用于张量多视图聚类的新方法。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

• alphaXiv
• arXiv
• CatalyzeX Code Finder for Papers
• cs.LG
• DagsHub
• fast Fourier transform
• Gotit.pub
• Graph Fourier Transform
• Hugging Face
• Jintian Ji
• ScienceCast

• 论文
• 其他

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →