Self-weighted multi-view clustering with soft capped norm

مجموعه داده های دنیای واقعی اغلب شامل نمایندگی ها یا روش های متعددی است که جنبه های متفاوتی از اطلاعات را فراهم می کنند. خوشه بندی چندگانه در تجزیه و تحلیل داده های چند نمایش نقش مهمی ایفا می کند. در یادگیری چند مرحله ای، یک گام کلیدی، تعیین وزن مناسب برای هر دیدگاه با توجه به اهمیت مشاهده است. اکثر کارهای موجود، با معرفی یک پارامتر فوق العاده، وزن را یاد می گیرند که در عمل ناخواسته است. در این مقاله، مدل پیشنهادی ما وزن مطلوب را برای هر نمایش به طور خودکار بدون ارائه یک پارامتر افزودنی به عنوان روش های قبلی انجام می دهد. علاوه بر این، برای مقابله با سر و صدای سطوح مختلف، ما پیشنهاد می کنیم که از "نرمی" هنجار محدود شده استفاده کنیم که مانع از انقباض خروجی ها به عنوان یک مقدار ثابت است و احتمال داده شدن یک نقطه خاص داده را غیر ممکن می سازد. یک الگوریتم به روزرسانی کارآمد برای حل مدل ما طراحی شده و همگرایی آن نیز از لحاظ تئوری تضمین شده است. نتایج تجربی گسترده در چندین مجموعه داده های واقعی نشان می دهد که مدل پیشنهادی ما بهتر از الگوریتم های خوشه بندی چندبعدی پیشرفته است.