Local linear neighbor reconstruction for multi-view data

تجزیه و تحلیل داده های گرافیکی مبتنی بر چندین دیدگاه در دهه گذشته تبدیل به موضوع داغ شده است و ماتریس شباهت چند نمایشی برای چنین وظایفی اساسی است. روشهای ساخت ماتریس تشابه چندبعدی موجود نمیتواند به طور همزمان داده های هندسی محلی را در فضای داده اصلی از چندین دیدگاه یاد بگیرند. با توجه به این واقعیت که ماتریس شباهت مناسب با شباهت بین درونی کلاس بلوک است، منطقی تر است که ماتریس شباهت را با استفاده از اطلاعات هندسی محلی در فضای داده اصلی چندگانه یاد بگیریم. در این مقاله، ما پیشنهاد می کنیم ماتریس تشابه یکپارچه را با استفاده از همسایگان خطی محلی در دیدگاه های مختلف ایجاد کنیم. در هر دیدگاه، ماتریس شباهت را می توان با وزن همسایگان هر نقطه داده در فضای اصلی بازسازی کرد. در دیدگاه های چندگانه، ما به دنبال یک ماتریس یکپارچه متحد می شویم که متشکل از ماتریس شباهت در هر دیدگاه است. ماتریس تشابه یکپارچه را می توان برای خوشه بندی طیفی، انتشار برچسب و دیگر الگوریتم های یادگیری مبتنی بر گراف استفاده کرد. نتایج تجربی نشان می دهد که الگوریتم های خوشه بندی طیفی و الگوریتم انتشار برچسب با استفاده از ماتریس شباهت یکپارچه بیش از کسانی است که با استفاده از دیگر ماتریس های شباهت چندمتغیره، از الگوریتم های خوشه بندی طیفی چند نفره معمولی و الگوریتم های انتشار نمونه ای چندبعدی معمول استفاده می کنند.