约束传播自适应半监督非负矩阵分解聚类算法.pdfVIP

ComputerEngineeringandApplications计算机工程与应用2024，60（13）81

⦾理论与研发⦾

约束传播自适应半监督非负矩阵分解聚类算法

12111

朱拓基，林浩申，赵伟豪，王靖，杨晓君

1.广东工业大学信息工程学院，广州510006

2.中国人民解放军96901部队

摘要：对称非负矩阵分解（SNMF）能够自然地捕获图表示中嵌入的聚类结构，是线性和非线性数据聚类应用的重

要方法。但其对变量的初始化较敏感，初始化矩阵的质量好坏会较大地影响聚类性能，且在半监督聚类中面临着从

有限的标记数据中学习更具辨别力表示的挑战。针对以上问题，提出了一种约束传播自适应半监督非负矩阵分解聚类

算法（constrainedpropagationself-adaptivedsemi-supervisednon-negativematrixfactorizationclusteringalgorithm，

3

CPSNMF）。该算法将有限约束传播到无约束数据点，构建出带有约束信息的相似矩阵，所获得的相似矩阵充当

SNMF中分解的非负对称矩阵，还用于对分配矩阵进行图正则化，充分利用约束信息来保存数据空间的几何结构。

同时结合SNMF对初始化特征的敏感性，使用自适应学习的权重对多个初始化矩阵的质量进行排序，集成多次聚类

3

结果来逐步提高半监督聚类性能。在6个公开数据集上进行实验表明所提出的CPSNMF算法优于其他先进算法，

证明了其在半监督聚类中的有效性。

关键词：对称非负矩阵分解；半监督学习；约束传播；聚类

文献标志码：A中图分类号：TP181doi：10.3778/j.issn.1002-8331.2310-0218

ConstrainedPropagationSelf-AdaptivedSemi-SupervisedNon-NegativeMatrixFactorization

ClusteringAlgorithm

12111

ZHUTuoji,LINHaoshen,ZHAOWeihao,WANGJing,YANGXiaojun

1.SchoolofInformationEngineering,GuangdongUniversityofTechnology,Guangzhou510006,China

2.Unit96901ofPLA,China

Abstract：Symmetricnon-negativematrixfactorization(NMF)cannaturallycapturetheembeddedclusteringstructurein

thegraphrepresentation.Itisanimportantmethodforlinearandnonlineardataclusteringapplications.However,itissen-

sitivetotheinitializationofvariables,andthequalityoftheinitializationmatrixgreatlyaffectstheclusteringperfor-

mance.Insemi-supervisedclustering,itfacesthechallengeoflearningamorediscriminativerepresentationfromlimited

labeleddata.Thispaperintroducesaconstrainedpropagationself-adaptiveself-s