Multi-view subspace clustering based on multi-order neighbor diffusion
Notice bibliographique
Résumé
Abstract Multi-view subspace clustering (MVC) intends to separate out samples via integrating the complementary information from diverse views. In MVC, since the structural information in the graph is crucial to the graph learning, most of the existing algorithms construct the superficial graph from the original data by directly measuring the similarity between the first-order complementary nearest neighbors. However, the information provided by the superficial graph structure would be influenced by contaminated or absent samples. To address this problem, in the proposed method, the higher-order complementary neighbor graphs are exploited to discover the latent structural information between the samples, and fusing the latent structural information across different orders to achieve the MVC. Specifically, the higher-order neighbor graphs under different views are leveraged to estimate the missing samples. Then, to integrate the neighbor graphs of different orders, the multi-order neighbor diffusion fusion is proposed. Nevertheless, the above problem of diffusion fusion is an intractable non-convex issue. Thus, to address it, the multi-order neighbor diffusion fusion is considered as a combination problem of the solution under different order, and the heuristic algorithm is leveraged to solve it. In this way, not only the data representation under different view and also the neighbor structure under different order can be diffused under a joint optimization framework, thus the consistency and integral information among various perspectives and orders can be utilized effectively and simultaneously. Experiments on both incomplete and complete multi-view dataset demonstrate the convincingness of the high-order neighborhood structure based subspace clustering scheme by comparing with the existing approaches.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».