对数耦合惩罚张量聚类

捕获高阶视图相关性

用对数耦合惩罚替代张量核范数，差异化处理奇异值，在多视图聚类中保留关键结构信息并提升性能。

Chang, Liu · Zhang, Hongbing · 樊宏涛 · 李娅静

Pattern Recognition 2024

技术优势

差异化处理奇异值

对数耦合惩罚函数对大小不同的奇异值施加不同惩罚，保留有用结构信息而非均匀收缩。

降低计算复杂度

采用二部图构造，避免了传统图方法中构建全尺寸相似度矩阵的高昂计算，使模型能处理更大规模数据。

收敛性有证明

论文给出了求解算法收敛到KKT点的理论证明，使用者可确信迭代过程会稳定到达最优解。

应用场景

• 多视图数据聚类：整合多源特征进行聚类，降低单视图偏差。
• 大规模图学习：用二部图高效处理大规模样本，避免全尺寸图计算。
• 高维数据分析：利用张量捕捉高维数据中的高阶相关性，提升聚类精度。