论文部分内容阅读
为处理目标数据集仅有部分成对约束信息可用的半监督聚类场景,基于非负矩阵分解(NMF)架构,通过学习给定成对约束知识和运用流形正则化理论提出了流形学习与成对约束联合正则化非负矩阵分解聚类方法(NMF-JRMLPC)。该方法一方面引入图拉普拉斯以刻画大量无标记样本蕴含的流形结构信息,另一方面将已知样本间的must-link或cannot-link成对约束规则融入目标优化设计,在很大程度上提高了所得算法的聚类性能。此外基于l2,1范数的损失函数设计也有助于优化NMF-JRMLPC的鲁棒性。在八个真实数据集上的实