通过异常感知的模糊图融合与 diffusion 多中心学习进行无监督特征选择
《Neural Networks》:Unsupervised Feature Selection via Anomaly-Aware Fuzzy Graph Fusion and Diffusion Multi-Centroid Learning
【字体:
大
中
小
】
时间:2026年05月16日
来源:Neural Networks 6.3
编辑推荐:
周青妍|马志平|马金林|李慧荣•本文提出了一种基于异常检测的图学习机制,该机制将局部异常因子重新定义为连续的可靠性指标,并将其嵌入图学习过程中,从而动态地建模样本的可靠性,并有效降低不可靠或噪声样本的权重,以防止邻域分配的失真。•提出了一种模糊图融合框架,用于整合具有不同不确定性
周青妍|马志平|马金林|李慧荣
- •
本文提出了一种基于异常检测的图学习机制,该机制将局部异常因子重新定义为连续的可靠性指标,并将其嵌入图学习过程中,从而动态地建模样本的可靠性,并有效降低不可靠或噪声样本的权重,以防止邻域分配的失真。
- •
提出了一种模糊图融合框架,用于整合具有不同不确定性级别的多个相似性图。通过逐样本学习模糊成员关系,得到的共识图能够有效捕捉模糊和重叠的流形结构,同时对噪声具有鲁棒性。
- •
引入了一种基于自适应扩散的双部图多中心学习模型,以强制进行一致性较强的成员关系传播。该机制能够捕捉更高阶的结构依赖性,并生成更具表现力的低维表示。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号