BriefGPT - AI 论文速递
·
可学习相似性与不相似性引导的对称非负矩阵分解
💡
原文中文，约500字，阅读约需2分钟。
📝
内容提要
本研究提出了一种改进的对称非负矩阵分解方法，通过引入可学习权重的加权$k$-NN图和双重结构的不相似性矩阵，显著提升了相似性矩阵的区分能力。实验结果表明，该模型在八个数据集上优于九种先进聚类方法，展现出良好的应用潜力。
🎯
关键要点
- 本研究提出了一种改进的对称非负矩阵分解方法。
- 引入可学习权重的加权$k$-NN图来表示每个邻居的可靠性。
- 采用双重结构的不相似性矩阵，提出新的正交正则化形式。
- 显著提高了相似性矩阵的区分能力。
- 实验结果显示，该模型在八个数据集上优于九种先进聚类方法。
- 该方法展现出良好的应用潜力。
➡️
