BriefGPT - AI 论文速递
·
多视点模糊表示学习与基于规则模型
💡
原文中文，约300字，阅读约需1分钟。
📝
内容提要
该文提出了一种基于可解释的Takagi-Sugeno-Kang模糊系统的多视图模糊表示学习方法，能够将多视图数据转化为高维模糊特征空间，并同时探索视图之间的共同信息和每个视图的特定信息。该方法还提出了一种新的基于L_(2,1)-norm回归的正则化方法，以挖掘视图之间的一致性信息，并通过拉普拉斯图保持数据的几何结构。实验结果表明，该方法在多个基准多视图数据集上具有优越性。
🎯
关键要点
- 提出了一种基于可解释的Takagi-Sugeno-Kang模糊系统的多视图模糊表示学习方法。
- 该方法将多视图数据转化为高维模糊特征空间。
- 同时探索视图之间的共同信息和每个视图的特定信息。
- 提出了一种基于L_(2,1)-norm回归的正则化方法，以挖掘视图之间的一致性信息。
- 通过拉普拉斯图保持数据的几何结构。
- 实验结果表明，该方法在多个基准多视图数据集上具有优越性。
➡️
