Grassmann张量多核聚类算法

高维基因组数据聚类更可靠

通过张量低秩约束与Grassmann流形上的核融合，有效消除噪声与冗余，为高维基因组数据提供稳定的聚类方案。

Qi, Fei · Jin, Guo · Li, Junyu · Yi, Liao · Wenxiong, Liao · 蔡宏民 · 陈佳洲

Methods 2024

参数信息

数据集数量

10

对比方法数量

12

技术优势

噪声与冗余同去除

通过施加张量低秩约束，直接消除基础核中的噪声和冗余，而不是简单加权。

核融合有章法

在Grassmann流形上融合学习到的基础核，得到最终一致矩阵，避免启发式拼接。

一次优化全搞定

将张量学习和融合过程整合到统一的优化模型中，并提供有效的迭代求解算法。

应用场景

• 基因组数据聚类：直接对基因表达等高维数据进行聚类，无需手动降维。
• 高维生物数据分析：处理高维生物数据时自动抑制噪声和冗余，提升聚类可靠性。
• 数据聚类算法：提供统一的多核聚类框架，替代传统核融合启发式方法。
• 高维数据处理：通过张量低秩约束处理高维数据中的冗余和噪声，增强鲁棒性。