非参数双层局部加权k均值在多视图数据聚类中的创新应用

《Expert Systems with Applications》:Non-Parametric Double-Layer Locally Weighted k-Means Clustering for Multi-View Data

【字体: 大 中 小 】 时间:2025年12月31日 来源:Expert Systems with Applications 7.5

编辑推荐:

  本文提出了一种创新的非参数双层局部加权k均值(NDL-WKM)聚类方法,通过引入双层局部加权机制(视图级和特征级)和乘积约束条件,实现了无需参数调优的自适应多视图聚类。该方法有效解决了传统多视图k均值(KM)聚类中全局加权策略的局限性,在保持计算效率的同时显著提升了聚类性能的准确性和可解释性。

  
Highlight
本研究亮点在于提出了全新的非参数双层局部加权k均值(NDL-WKM)聚类框架,通过创新性地在聚类级别实现视图和特征的双层自适应加权,突破了传统多视图聚类对全局权重和参数调优的依赖。
Methodology
尽管第2节讨论的方法为多视图聚类提供了宝贵见解,但大多数方法仍严重依赖参数调优,且难以捕捉细粒度的聚类特异性信息。为克服这些限制,我们提出了一种非参数双层加权k均值(NDL-WKM)方法。
NDL-WKM的核心思想是为每个聚类在视图级和特征级引入局部加权机制。这种局部加权使算法能够动态识别不同聚类中最具判别力的视图和特征,就像给每个聚类配上了一副"定制眼镜",使其能更精准地捕捉数据的内在结构。通过巧妙的乘积约束设计,权重分配过程完全自平衡,无需任何人工干预参数。
Experiment
本节通过在多视图数据集上的全面实验评估,将所提方法与多种代表性方法进行系统对比。在聚类前,每个视图的特征维度均通过最小-最大缩放独立归一化至[0,1]区间。4.1节详细描述了基线方法、计算设置和评估标准;4.2节报告了真实数据集上的对比结果;4.3节则进一步展示了方法的鲁棒性和可解释性分析。
Conclusion
本文提出的NDL-WKM多视图聚类方法,通过乘积约束条件下的视图级和特征级重要性联合建模,实现了突破性的聚类性能。双层局部加权机制就像给算法装上了"智能调节器",使其能自适应地捕捉不同视图中特征的异质性贡献。这种参数无关的设计不仅解放了研究人员的手动调参负担,更为多视图聚类领域提供了新的研究范式。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号