首页 > 编程语言 >多源谱嵌入融合学习算法(Multi-source Spectral Embedding Fusion Learning Algorithm,简称MSEF)

多源谱嵌入融合学习算法(Multi-source Spectral Embedding Fusion Learning Algorithm,简称MSEF)

时间:2024-07-15 19:01:37浏览次数:18  
标签:Spectral Multi 嵌入 局部 Tr 融合 视图 Learning 全局

多源谱嵌入融合学习算法(Multi-source Spectral Embedding Fusion Learning Algorithm,简称MSEF)是一种专门设计用于处理多源数据的高级学习方法,其目标是在不同数据源之间建立一致的表示,从而提高聚类性能和数据理解的全面性。

这种算法的核心在于利用全局和局部谱嵌入的融合,以全面捕获多源数据的结构信息。

步骤与公式详解

1. 全局谱嵌入融合

全局谱嵌入融合旨在捕捉多视图数据的全局结构信息。

算法通过最小化不同视图的谱嵌入之间的差异,同时保持每个视图的谱聚类目标,以达到融合的目的。

设 U ( i ) U^{(i)} U(i)为第 i i i个视图的谱嵌入,则全局谱嵌入融合的目标函数可表示为:
min ⁡ ∑ i = 1 m ∑ j = i + 1 m ∣ ∣ U ( i ) − U ( j ) ∣ ∣ F 2 + ∑ i = 1 m Tr ( U ( i ) T L ( i ) U ( i ) ) \min \sum_{i=1}^{m} \sum_{j=i+1}^{m} ||U^{(i)} - U^{(j)}||^2_F + \sum_{i=1}^{m} \text{Tr}(U^{(i)T} L^{(i)} U^{(i)}) mini=1∑m​j=i+1∑m​∣∣U(i)−U(j)∣∣F2​+i=1∑m​Tr(U(i)TL(i)U(i))
其中, m m m是视图的总数, ∣ ∣ ⋅ ∣ ∣ F ||\cdot||_F ∣∣⋅∣∣F​表示Frobenius范数, L ( i ) L^{(i)} L(i)是第 i i i个视图的拉普拉斯矩阵, Tr ( ⋅ ) \text{Tr}(\cdot) Tr(⋅)表示矩阵的迹。

2. 局部谱嵌入融合

局部谱嵌入融合聚焦于捕捉多视图数据的局部结构。

算法通过保持每个视图的局部流形结构,同时最小化局部嵌入坐标之间的差异,以达到融合目的。

设 Y ( i ) Y^{(i)} Y(i)为第 i i i个视图的局部嵌入坐标,则局部谱嵌入融合的目标函数为:
min ⁡ ∑ i = 1 m ∑ j = i + 1 m ∣ ∣ Y ( i ) − Y ( j ) ∣ ∣ F 2 + ∑ i = 1 m Tr ( Y ( i ) T S ( i ) Y ( i ) ) \min \sum_{i=1}^{m} \sum_{j=i+1}^{m} ||Y^{(i)} - Y^{(j)}||^2_F + \sum_{i=1}^{m} \text{Tr}(Y^{(i)T} S^{(i)} Y^{(i)}) mini=1∑m​j=i+1∑m​∣∣Y(i)−Y(j)∣∣F2​+i=1∑m​Tr(Y(i)TS(i)Y(i))
其中, S ( i ) S^{(i)} S(i)是第 i i i个视图的局部权值矩阵。

3. 多源谱嵌入融合模型

将全局谱嵌入融合和局部谱嵌入融合结合起来,形成MSEF模型。

模型的目标函数综合了全局和局部的融合过程,以全面表示数据的结构信息。

设 F F F为最终的嵌入结果,称为一致谱嵌入,则MSEF模型的目标函数为:
min ⁡ ∣ ∣ F − U ∣ ∣ F 2 + α Tr ( F T L F ) + β ∣ ∣ F − Y ∣ ∣ F 2 \min ||F-U||^2_F + \alpha \text{Tr}(F^T L F) + \beta ||F-Y||^2_F min∣∣F−U∣∣F2​+αTr(FTLF)+β∣∣F−Y∣∣F2​
其中, U U U和 Y Y Y分别代表全局和局部的谱嵌入, α \alpha α和 β \beta β是平衡因子,用于调整全局和局部结构的重要性。

4. 模型优化

通过交替迭代优化算法求解MSEF模型的目标函数。

优化过程中,利用Stiefel流形投影法保证谱嵌入的正交性。

模型的优化目标是在保持各数据源之间差异最小化的同时,获得一致的谱嵌入。

公式作用

  • 全局谱嵌入融合:确保不同数据源之间的全局结构一致性,提高聚类性能。
  • 局部谱嵌入融合:保持数据源的局部结构信息,增加模型对细节的敏感性。
  • MSEF模型:通过融合全局和局部结构信息,获得更全面、更精细的数据表示,从而提高学习算法的整体性能。

标签:Spectral,Multi,嵌入,局部,Tr,融合,视图,Learning,全局
From: https://blog.csdn.net/weixin_50569789/article/details/140445602

相关文章

  • INE - Advanced Penetration Testing learning path
    大智慧没有,小聪明不断。不要解读没有,简化理解也没有,直接复制粘贴,直接抄袭或复用,这叫小聪明。有的人则更加小聪明,跳过理论,直接上手,导致N年以后的职业发展直接葬送掉。创新是难的,你们要把内容翻新一遍,已“原创”的形式交付。就要好好看看他们对于课程开发的后背的整体逻辑。知识点-......
  • Improving News Recommendation via Bottlenecked Multi-task Pre-training论文阅读笔
    ImprovingNewsRecommendationviaBottleneckedMulti-taskPre-training论文阅读笔记Abstract现存的问题:​ 现有的PLM大多是在大规模通用语料库上预先训练的,并没有专门用于捕捉新闻文章中的丰富信息。因此,它们生成的新闻嵌入信息可能不足以表示新闻内容或描述新闻之间的关......
  • Win11系统提示找不到learning_tools.dll文件的解决办法
    其实很多用户玩单机游戏或者安装软件的时候就出现过这种问题,如果是新手第一时间会认为是软件或游戏出错了,其实并不是这样,其主要原因就是你电脑系统的该dll文件丢失了或没有安装一些系统软件平台所需要的动态链接库,这时你可以下载这个learning_tools.dll文件(挑选合适的版本文件......
  • 机器人前沿--PalmE:An Embodied Multimodal Language Model 具身多模态大(语言)模型
    首先解释这篇工作名称Palm-E,发表时间为2023.03,其中的Palm是谷歌内部在2022.04开发的大语言模型,功能类似ChatGPT,只是由于各种原因没有那样火起来,E是Embodied的首字母,翻译过来就是具身多模态大语言模型大模型,我们一般习惯将其称为具身多模态大模型。何为具身?这个词听起来非常......
  • 数字电路仿真实验【使用Multisim软件仿真】
    基本逻辑门电路功能测试与门仿真7408TTL2输入端四与门与门逻辑功能测试仿真电路及逻辑转换仪面板图与非门仿真7400TTL2输入端四与非门与非门逻辑功能测试仿真电路及逻辑转换仪面板图编码器电路功能测试通过4532BP优先编码器(8-3线编码器)功能表测试其逻辑功......
  • 0170-Multiboot2 启动头
    环境Time2022-11-11WSL-Ubuntu22.04QEMU6.2.0NASM2.15.05前言说明参考:https://os.phil-opp.com/multiboot-kernel/目标编写一个符合multiboot2规范的启动文件。multiboot2规范https://www.gnu.org/software/grub/manual/multiboot2/multiboot.html#Header-tag......
  • 0175-GDB 调试 multiboot 启动
    环境Time2022-11-12WSL-Ubuntu22.04QEMU6.2.0NASM2.15.05前言说明参考:https://os.phil-opp.com/multiboot-kernel/目标使用编写好的内核可执行文件,直接从QEMU启动,启动时暂停CPU,使用GDB调试。汇编代码section.multiboot_headerheader_start:dd0x1BAD......
  • How to link multiple docker-compose services via network
    Howtolinkmultipledocker-composeservicesvianetworkNewscenario:SharinganetworkbetweenservicesIfyouwantdefineservicesinmultipledocker-compose.ymlfiles,andalsohavenetworkconnectivitybetweentheservices,youneedtoconfigureyou......
  • STA中的multi_cycle 和false_path详细讨论
    前提概念:什么是数据路径?clk路径?require_time?arrive_time?slack_time?不做赘述1、为什么要对某些路径设置multi_cycles:在某些情况下,两个触发器之间的数据路径可能需要一个以上的时钟周期才能传播通过逻辑。在这种情况下,这条组合逻辑路径会被定义为多周期路径(multicy......
  • [1030] Extract text between two specific phrases in a multi-line text
    Ah,theancientartoftextextraction—wherewedelveintothescrollsofPythonmagictorevealhiddenpassages!Fearnot,fellowseekerofknowledge;Ishallguideyouthroughthismysticalprocess.Toextracttextbetweentwospecificphrasesinamult......