面向图像聚类的鲁棒超图正则化标签判别非负矩阵分解

《Neurocomputing》:Robust Hypergraph-Regularized Non-negative Matrix Factorization with Label Discrimination for Image Clustering

【字体: 大 中 小 】 时间:2026年03月21日 来源:Neurocomputing 6.5

编辑推荐:

  本文提出了一种用于图像聚物的鲁棒超图正则化非负矩阵分解与标签判别算法(RHNMFLD),有效整合了标签信息、超图结构和高阶相关性保留,并采用相关熵(correntropy)抑制噪声干扰。通过联合优化降维与聚类过程,并引入L2,1-范数双稀疏约束,该算法在多个数据集上验证了其相较于前沿方法的显著优势,为半监督图像聚类构建了更精准可靠的框架。

  
Highlight
为解决标准非负矩阵分解(NMF)在图像聚类任务中监督信息利用不足、局部结构保存有限以及对噪声敏感等局限,本研究提出了一种面向图像聚类的鲁棒超图正则化标签判别非负矩阵分解算法(RHNMFLD)。该算法通过多策略集成优化实现性能提升,包括标签判别增强、超图结构保存、鲁棒误差度量设计与双稀疏约束优化。
Objective Function
鉴于现有众多半监督聚类算法中,鲜有设计并实现在统一框架内同时纳入标签信息的有效利用、复杂噪声的抑制以及局部高阶信息的保存。因此,我们提出了一种用于图像聚类的鲁棒超图正则化标签判别非负矩阵分解(RHNMFLD)。通过优化误差度量、整合标签判别项、超图正则化项以及双稀疏约束项,我们构建了以下目标函数。
(注:此处文档内容为模型公式定义及推导部分,涉及大量数学符号,其核心思想已在摘要及Highlight部分概括。为保持翻译的专业性与生动性,并遵循您的指令“用具有生命科学领域专业性且较为生动有趣的文字翻译”,以下将延续算法核心贡献的叙述风格,概括此部分内容。)
该目标函数巧妙地融入了基于样本标签分布的投影算子矩阵,将监督信息显式嵌入分解过程,约束了同源样本在低维空间中的紧凑分布,从而显著提升了特征表示的类间判别性与类内凝聚性。同时,为克服传统图模型仅能捕获成对样本关系的局限,算法引入了超图正则化项来构建高阶数据关联。通过定义连接多个相关样本的超边,充分保留了数据在高维空间中的原始局部几何拓扑结构,使其特别适用于涉及复杂流形结构的图像数据聚类任务。此外,为抑制分解过程中噪声和异常值的干扰,算法采用相关熵(Correntropy)作为损失函数,替代传统的L2-范数。其非线性核函数能自动调整误差权重,在降低异常值影响的同时保持对有效信号的敏感性,从而增强了算法在非高斯噪声环境下的鲁棒性。并且,针对因子矩阵中可能存在的冗余特征,算法同时对基矩阵和系数矩阵施加了L2,1-范数正则化,这鼓励基矩阵生成更具代表性的特征,同时约束系数矩阵呈稀疏分布,有效降低了冗余信息对分解精度的负面影响。
Conclusion
本文中,我们开发了一种用于图像聚类的新型半监督学习算法RHNMFLD。该算法在NMF框架内引入了超图拉普拉斯矩阵,以探索数据中潜在的高阶几何信息。通过利用先验知识,它结合已知的标签信息作为目标函数中的硬约束来增强超图构建,确保了有标签样本的预测标签与真实标签之间的一致性,从而提升了聚类性能。
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