Feature co-shrinking for co-clustering

بسیاری از برنامه های دنیای واقعی نیاز به انتخاب ویژگی های چند طرفه دارند تا انتخاب ویژگی یک طرفه. انتخاب ویژگی چند طرفه در مقایسه با انتخاب یک طرفه به دلیل حضور بین همبستگی بین ویژگی های چند راهه، چالش برانگیز است. برای مقابله با این چالش، ما یک مدل سه بعدی فاکتور ناقص ماتریس جدید ارائه می دهیم که براساس تنظیم مجدد همبستگی به منظور تسهیل کاهش قابلیت مشترک برای همکاری خوشه ای ارائه می شود. ایده اصلی این است که تعامل بین ویژگی های چند طرفه را یاد بگیریم و با کم کردن پارامترهای مدل، کمبود موارد غیر مرتبط را یاد بگیریم. هدف این است که به طور همزمان عملکرد تضعیف را برای سه بعدی تقسیم بندی ماتریس به حداقل برسانیم و تنظیم مجدد همدردی بر روی مدل تحمیل شود. علاوه بر این، ما الگوریتم تضمین کارآمد و همگرا را برای حل مشکل بهینه سازی غیر صاف، که به صورت یک بار تکرار به کار می رود، توسعه می دهیم. نتایج تجربی در مجموعه داده های مختلف اثربخشی رویکرد پیشنهادی را نشان می دهد.