| 基于局部相似性学习的鲁棒非负矩阵分解 |
| |
| 引用本文： | 侯兴荣,彭冲.基于局部相似性学习的鲁棒非负矩阵分解[J].数据采集与处理,2023,38(5):1125-1141. |
| |
| 作者姓名： | 侯兴荣 彭冲 |
| |
| 作者单位： | 青岛大学计算机科学技术学院,青岛 266071 |
| |
| 基金项目： | 国家自然科学基金（62276147）;山东省高等学校青创科技计划创新团队项目（2022KJ149）。 |
| |
| 摘 要： | 现有的非负矩阵分解方法往往聚焦于数据全局结构信息的学习,在很多情况下忽略了对数据局部信息的学习,而局部学习的方法也通常局限于流行学习,存在一些缺陷。为解决这一问题,提出了一种基于数据局部相似性学习的鲁棒非负矩阵分解算法（Robust nonnegative matrix factorization with local similarity learning, RLS-NMF）。采用一种新的数据局部相似性学习方法,它与流形方法存在显著区别,能够同时学习数据的全局结构信息,从而能挖掘数据类内相似和类间相离的性质。同时,考虑到现实应用中的数据存在异常值和噪声,该算法还使用l2,1![]() ![]() 范数拟合特征残差,过滤冗余的噪声信息,保证了算法的鲁棒性。多个基准数据集上的实验结果显示了该算法的最优性能,进一步证明了该算法的有效性。
|
| 关 键 词： | 非负矩阵分解 聚类 全局结构 局部相似性 鲁棒性 |
| 收稿时间： | 2022/8/1 0:00:00 |
| 修稿时间： | 2023/3/11 0:00:00 |
Robust Nonnegative Matrix Factorization with Local Similarity Learning |
| |
| HOU Xingrong,PENG Chong.Robust Nonnegative Matrix Factorization with Local Similarity Learning[J].Journal of Data Acquisition & Processing,2023,38(5):1125-1141. |
| |
| Authors: | HOU Xingrong PENG Chong |
| |
| Affiliation: | College of Computer Science and Technology, Qingdao University, Qingdao 266071, China |
| |
| Abstract: | |
| |
| Keywords: | nonnegative matrix factorization clustering global structure local similarity robustness |
|
| 点击此处可从《数据采集与处理》浏览原始摘要信息 |
|
点击此处可从《数据采集与处理》下载全文 |
|
