CN106127218A - 一种基于张量展开的多视图谱聚类算法 - Google Patents
一种基于张量展开的多视图谱聚类算法 Download PDFInfo
- Publication number
- CN106127218A CN106127218A CN201610363553.2A CN201610363553A CN106127218A CN 106127218 A CN106127218 A CN 106127218A CN 201610363553 A CN201610363553 A CN 201610363553A CN 106127218 A CN106127218 A CN 106127218A
- Authority
- CN
- China
- Prior art keywords
- tensor
- matrix
- spectral clustering
- view
- multi views
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/29—Graphical models, e.g. Bayesian networks
- G06F18/295—Markov models or related models, e.g. semi-Markov models; Markov random fields; Networks embedding Markov models
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Probability & Statistics with Applications (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明提供一种基于张量展开的多视图谱聚类算法,该发明基于张量表示所有的视图数据,利用张量的n‑Mode乘法进行展开,分析多视图数据的多维约束关系(高维结构信息)并借鉴低秩矩阵表示和稀疏表示的思想来保存关键结构信息,从而建立基于张量展开的求解模型。另外,考虑到实际获取数据过程中的噪声问题,增加噪声张量进行抗噪处理。由于该优化问题存在非凸的低秩约束条件,直接求解困难,需要对优化目标进行凸松弛,再使用ADMM算法进行优化求解。一些真实数据集的实验结果表明,本发明可有效提高多视图谱聚类的效果。
Description
技术领域
本发明涉及数据挖掘领域,更具体地,涉及一种基于张量展开的多视图谱聚类算法。
背景技术
多视图聚类问题主要通过整合多个视图里的有用信息从而提高聚类的性能。目前相关的算法研究大致可分成三类:基于多图融合算法,基于协同训练算法,基于子空间学习算法。
第一、基于多图融合算法。该类方法的思想是为每一个视图分别构造一个图结构,然后融合这些图结构。2007年微软研究院的Dengyong Zhou教授和ChristopherJ.C.Burges教授的研究表明为每一个图结构定义一个随机游走,然后为所有的随机游走定义一个马尔可夫混合模型整合来自每个视图的信息可以取得不错的效果。2011年美国马里兰大学Abhishek Kumar教授和美国犹他大学Piyush Rai教授等人首次提出基于谱聚类,利用视图之间的协同规则化的聚类假设来整合信息。2014年中国中山大学潘炎副教授等人提出基于低秩和稀疏假设,将所有视图的概率转移矩阵融合,从而提取到一个有较高准确度的概率转移矩阵作为谱聚类的输入,也取得较高准确度的聚类结果
第二、基于协同训练算法。该类方法思想是在不同的视图上进行各自训练学习,但是在训练过程中要利用其他视图上学习到的信息进行约束,通过多次迭代训练,直到多个视图聚类结果趋于一致。例如,2004年德国柏林洪堡大学Steffen Bickel教授和TobiasScheffer教授的研究算法表明,每当不同的视图各自进行一次聚类后,都会相互交换部分信息来实现协同训练。2011年美国马里兰大学Abhishek Kumar教授和Hal Daum′e III教授在每次迭代过程中,利用每个视图的谱表示去约束更新其他视图的邻接矩阵,直至所有的视图的邻接矩阵趋于稳定。
第三、基于子空间学习算法。该类方法基于这样的假设:对于多个不同的视图(特征表示),它们都可以映射到同一个潜在低维子空间。于是,多视图聚类问题的核心就是映射到这个共同的潜在低维子空间,再进行聚类。例如,2009 年美国加利福尼亚大学Kamalika Chaudhuri副教授等人提出典型相关分析(CCA)方法将多视图高维数据投影到一个低维子空间中,2010年加州大学伯克利分校Mathieu Salzmann教授提出将所有视图垂分解到一个垂直的潜在子空间的方法也备受关注。
然而,针对多视图聚类问题,已有的方法几乎都是用矩阵进行各个视图的数据表示,只考虑视图本身的信息融合,忽视了视图之间的空间结构关系信息。
发明内容
本发明提供一种基于张量展开的多视图谱聚类算法,该方法基于张量表示多个视图的概率转移矩阵,并用张量展开去探寻更准确、科学的模型,最终提高多视图聚类的效果。
为了达到上述技术效果,本发明的技术方案如下:
一种基于张量展开的多视图谱聚类算法,包括以下步骤:
S1:将每个视图通过图结构表示得到各自的概率转移矩阵;
S2:用一个张量表示所有视图的概率转移矩阵(每个张量的前片表示一个视图的概率转移矩阵),利用数据分布规律建模求解,得到一个概率转移矩阵P;
S3:将概率转移矩阵P作为基于马尔可夫链的谱聚类算法的关键输入,计算得到谱聚类输出结果;
其中n表示样本总数,m表示视图总数。
进一步地,所述步骤S2的具体过程包括:
S21:对张量进行Mode-1展开,即将Pi按列拼接成矩阵P(1)=(P1,P2,···,Pm),其中Pi表示第i个视图的概率转移矩阵,张量的第i个前片(Frontal Slice);
为了保存在Mode-1展开后样本之间的结构信息,借鉴低秩矩阵表示(Low-Rankmatrix Representation,LRR)方法的思想使用矩阵来保存样本之间的结构信息:
又
S22:对张量进行Mode-2展开,即是将Pi转置后按列拼接成矩阵利用低秩矩阵表示思想使用矩阵来保存样本之间 的结构信息:
又
S23:对张量进行Mode-3展开即是将Pi向量化后按行拼接成矩阵P(3)=(vec(P1);vec(P2);…;vec(Pm)),利用稀疏表示思想使用矩阵来保存m个视图之间的稀疏信息:
等价于
S24:利用S21-S23得到的结果得出令得到优化目标:
其中,γ(>0)是一个折中因子;
S25:对求解模型加入一个噪声张量来提高求解模型对噪声的鲁棒性:
其中,λ(>0)是一个折中因子;
S26:对S25中得到优化目标求解后得到关联矩阵W=|W1|+|W1|T进而得到概率转移矩阵其中是对角矩阵且
进一步地,步骤S25中得到的模型还需进行优化,具体过程如下:
S251:对优化目标
进行凸松弛处理得到:
S252:构造增广拉格朗日函数:
其中,是拉格朗日乘子,μ>0是惩罚参数;
S253:当W1=W1 k,μ=μk时,令
W1的更新公式为:
若是的奇异值分解,则
其中Sθ(·)=max(·-θ,0)+min(·+θ,0)
W2的更新公式为:
其中是的奇异值分解
W3的更新公式为:
的更新公式为:
的更新公式为:
利用公式(1)-(5)在每次的迭代中更新变量W1、W2、W3、和直至该算法收敛。
与现有技术相比,本发明技术方案的有益效果是:
由于现有的多视图聚类算法没有考虑所有视图的整体结构信息(即各个视图相互之间的高维约束信息),仅利用二元关系结构进行建模求解,会存在较大的误差。本发明基于张量表示所有的视图数据,利用n-Mode乘法进行展开分析,且保存各个视图之间的空间结构信息,建立一个更多约束更加精准的的模型,在这样一个更加精准的数据环境下,再进行低秩矩阵和稀疏表示,可有效提高多视图聚类的效果。
附图说明
图1为本发明流程图;
图2为张量在Mode-1展开结果;
图3为张量在Mode-2展开结果;
图4为张量在Mode-3展开结果。
具体实施方式
附图仅用于示例性说明,不能理解为对本专利的限制;
为了更好说明本实施例,附图某些部件会有省略、放大或缩小,并不代表实际产品的尺寸;
对于本领域技术人员来说,附图中某些公知结构及其说明可能省略是可以理解的。
下面结合附图和实施例对本发明的技术方案做进一步的说明。
实施例1
如图1所示,一种基于张量展开的多视图谱聚类算法,包括以下步骤:
S1:将每个视图通过图结构表示得到各自的概率转移矩阵;
S2:用一个张量表示所有视图的概率转移矩阵(如图2-4所示,每个张量的前片表示一个视图的概率转移矩阵),利用数据分布规律建模求解,得到一个概率转移矩阵P;
S3:将概率转移矩阵P作为基于马尔可夫链的谱聚类算法的关键输入,计算得到谱聚类输出结果;
其中n表示样本总数,m表示视图总数。
进一步地,所述步骤S2的具体过程包括:
S21:对张量进行Mode-1展开,如图2所示将Pi按列拼接成矩阵P(1)=(P1,P2,···,Pm),其中Pi表示第i个视图的概率转移矩阵;
为了保存进行Mode-1展开后样本之间的结构信息,借鉴低秩矩阵表示(LRR)方法的思想使用矩阵来保存样本之间的结构信息:
又
S22:对张量进行Mode-2展开,如图3所示将Pi转置后按列拼接成矩阵利用低秩矩阵表示思想使用矩阵来保存样本之间的结构信息:
又
S23:对张量进行Mode-3展开,如图4所示将Pi向量化后按行拼接成矩阵P(3)=(vec(P1);vec(P2);…;vec(Pm)),利用稀疏表示思想使用矩阵来保存m个视图之间的稀疏信息:
等价于
S24:利用S21-S23得到的结果得出令得到优化目标:
其中,γ(>0)是一个折中因子;
S25:对求解模型加入一个噪声张量来提高求解模型对噪声的鲁棒性:
其中,λ(>0)是一个折中因子;
S26:对S25中得到优化目标求解后得到关联矩阵W=|W1|+|W1|T进而得到概 率转移矩阵其中是对角矩阵且
进一步地,步骤S25中得到的模型还需进行优化,具体过程如下:
S251:对优化目标
进行凸松弛处理得到:
S252:构造增广拉格朗日函数:
其中,是拉格朗日乘子,μ>0是惩罚参数;
S253:当μ=μk时,令
W1的更新公式为:
若是的奇异值分解,则
其中Sθ(·)=max(·-θ,0)+min(·+θ,0)
W2的更新公式为:
其中是的奇异值分解
W3的更新公式为:
的更新公式为:
的更新公式为:
利用公式(1)-(5)在每次的迭代中更新变量W1、W2、W3、和直至该算法收敛。
本发明将选择典型的多图融合算法进行对比实验,具体如下:
a)单视图(Single View):将每个视图按照上述的基于马尔可夫链的谱聚类方法进行处理,从所有的视图聚类的结果中选取最好的结果(Best Single View)和最差的结果(Worst Single View)。
b)特征连接(Feature Concatenation,FC):将所有视图的特征直接拼接一组特征,再使用上述的基于马尔可夫链的谱聚类进行聚类。
c)核均值(Kernel Addition,KA):为每个视图构造基于高斯核的核矩阵,然后基于所有的核矩阵取均值,再使用上述的基于马尔可夫链的谱聚类输出最终结果。
d)协同规则化谱聚类(Co-regularized Spectral Clustering,Co-Reg):该方法通过提出新的谱聚类目标函数,该目标函数隐式地结合多个视图的关联矩阵来实现多视图聚类。
e)健壮的多视图谱聚类(Robust Multi-View Spectral Clustering,RMSC):该方法为每个视图构造一个基于马尔科夫链的随机游走的概率转移矩阵,然后基于低秩和稀疏分解,得到目标概率转移矩阵。该概率转移矩阵作为谱聚类的关键输入。
本实施例中选用的数据集主要有天秤星座运动数据集(Libras Movement)和乳腺癌预测数据集(Breast Cancer),具体的样本数,视图个数,类别如下表所示:
表1 实验数据集
数据集 | 样本数 | 视图数 | 类别数 |
天秤星座运动数据集 | 360 | 2 | 15 |
乳腺癌预测数据集 | 569 | 2 | 2 |
本实施例中选用的实验结果评价指标主要有:F-分数(F-score),精度(Precision),召回率(Recall),归一化互信息(normalized mutual information),平均熵(average entropy),调整兰德指数(adjusted rand index);其中,平均熵的值越小表示聚类的性能越好,其他指标的值越大则表示聚类的性能越好。
在每个数据集上,进行了20轮不同初始化值的实验,同时计算了20轮实验 结果中各种指标的方差(下表括号中的数字,有些方差小于10-5,进行四舍五入后为0)。具体采用表1的数据进行对比实验的结果如表2、表3:
表2 数据集Libras Movement实验结果
对比实验方法 | F-分数 | 精度 | 召回率 | 归一化互信息 | 调整兰德指数 | 平均熵 |
最优单视图 | 0.3391(0.0154) | 0.3219(0.0164) | 0.3585(0.0171) | 0.5589(0.0139) | 0.2913(0.0166) | 1.7445(0.0552) |
最差单视图 | 0.2740(0.0173) | 0.2631(0.0169) | 0.2860(0.0185) | 0.4957(0.0157) | 0.2221(0.0185) | 1.9857(0.0616) |
特征连接 | 0.3488(0.0161) | 0.3310(0.0159) | 0.3688(0.0181) | 0.5806(0.0172) | 0.3016(0.0173) | 1.6615(0.0647) |
核均值 | 0.3708(0.0236) | 0.3513(0.0270) | 0.3931(0.0229) | 0.6028(0.0165) | 0.3250(0.0259) | 1.5757(0.0689) |
协同规则化谱聚类 | 0.3680(0.0210) | 0.3490(0.0220) | 0.3880(0.0220) | 0.5610(0.0170) | 0.3220(0.0230) | 1.7370(0.0670) |
健壮的多视图谱聚类 | 0.3538(0.0124) | 0.3359(0.0145) | 0.3740(0.0153) | 0.5769(0.0131) | 0.3070(0.0135) | 1.6750(0.0509) |
本文 | 0.3892(0.0253) | 0.3669(0.0234) | 0.4146(0.0286) | 0.6108(0.0162) | 0.3447(0.0270) | 1.5468(0.0614) |
表3 数据集Breast Cancer实验结果
对比实验方法 | F-分数 | 精度 | 召回率 | 归一化互信息 | 调整兰德指数 | 平均熵 |
最优单视图 | 0.6936(0.0001) | 0.5404(0.0010) | 0.9680(0.0031) | 0.0635(0.0060) | 0.0354(0.0039) | 0.9171(0.0038) |
最差单视图 | 0.6936(0.0000) | 0.5391(0.0000) | 0.9721(0.0000) | 0.0556(0.0000) | 0.0303(0.0000) | 0.9220(0.0000) |
特征连接 | 0.6940(0.0001) | 0.5326(0.0005) | 0.9961(0.0023) | 0.0081(0.0047) | 0.0039(0.0023) | 0.9486(0.0024) |
核均值 | 0.7982(0.0000) | 0.7358(0.0000) | 0.8721(0.0000) | 0.4804(0.0000) | 0.5233(0.0000) | 0.5311(0.0000) |
协同规则化谱聚类 | 0.7120(0.0020) | 0.5940(0.0050) | 0.8880(0.0030) | 0.2510(0.0120) | 0.2070(0.0130) | 0.7680(0.0110) |
健壮的多视图谱聚类 | 0.8187(0.0000) | 0.7713(0.0000) | 0.8723(0.0000) | 0.5090(0.0000) | 0.5838(0.0000) | 0.4945(0.0000) |
本文 | 0.8417(0.0000) | 0.8111(0.0000) | 0.8747(0.0000) | 0.5455(0.0000) | 0.6468(0.0000) | 0.4500(0.0000) |
相同或相似的标号对应相同或相似的部件;
附图中描述位置关系的用于仅用于示例性说明,不能理解为对本专利的限制;
显然,本发明的上述实施例仅仅是为清楚地说明本发明所作的举例,而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明权利要求的保护范围之内。
Claims (3)
1.一种基于张量展开的多视图谱聚类算法,其特征在于,包括以下步骤:
S1:将每个视图通过图结构表示得到各自的概率转移矩阵;
S2:用一个张量表示所有视图的概率转移矩阵,利用数据分布规律建模求解,得到一个概率转移矩阵P;
S3:将概率转移矩阵P作为基于马尔可夫链的谱聚类算法的关键输入,计算得到谱聚类输出结果;
其中n表示样本总数,m表示视图总数。
2.根据权利要求1所述的基于张量展开的多视图谱聚类算法,其特征在于,所述步骤S2的具体过程包括:
S21:对张量进行Mode-1展开,即将Pi按列拼接成矩阵P(1)=(P1,P2,···,Pm),其中Pi表示第i个视图的概率转移矩阵,张量的第i个前片;
为了保存在Mode-1展开后样本之间的结构信息,借鉴低秩矩阵表示方法的思想使用矩阵来保存样本之间的结构信息:
又
S22:对张量进行Mode-2展开,即是将Pi转置后按列拼接成矩阵利用低秩矩阵表示方法的思想使用矩阵来保存样本之间的结构信息:
又
S23:对张量进行Mode-3展开即是将Pi向量化后按行拼接成矩阵P(3)=(vec(P1);vec(P2);…;vec(Pm)),利用稀疏表示方法的思想使用矩阵来保存m个视图之间的稀疏信息:
等价于
S24:利用S21-S23得到的结果得出令得到优化目标:
其中,γ(>0)是一个折中因子;
S25:对求解模型加入一个噪声张量来提高求解模型对噪声的鲁棒性:
其中,λ(>0)是一个折中因子;
S26:对S25中得到优化目标求解后得到关联矩阵W=|W1|+|W1|T进而得到概率转移矩阵其中是对角矩阵且
3.根据权利要求2所述的基于张量展开的多视图谱聚类算法,其特征在于,步骤S25中得到的优化目标还需进行优化求解,具体过程如下:
S251:对优化目标
进行凸松弛处理得到:
S252:构造增广拉格朗日函数:
其中,是拉格朗日乘子,μ>0是惩罚参数;
S253:当μ=μk时,令
W1的更新公式为:
若是的奇异值分解,则
其中Sθ(·)=max(·-θ,0)+min(·+θ,0)
W2的更新公式为:
其中是的奇异值分解
W3的更新公式为:
的更新公式为:
的更新公式为:
利用公式(1)-(5)在每次的迭代中更新变量W1、W2、W3、和直至该算法收敛。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610363553.2A CN106127218A (zh) | 2016-05-25 | 2016-05-25 | 一种基于张量展开的多视图谱聚类算法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610363553.2A CN106127218A (zh) | 2016-05-25 | 2016-05-25 | 一种基于张量展开的多视图谱聚类算法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106127218A true CN106127218A (zh) | 2016-11-16 |
Family
ID=57269884
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610363553.2A Pending CN106127218A (zh) | 2016-05-25 | 2016-05-25 | 一种基于张量展开的多视图谱聚类算法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106127218A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108734187A (zh) * | 2017-04-20 | 2018-11-02 | 中山大学 | 一种基于张量奇异值分解的多视图谱聚类算法 |
CN109117881A (zh) * | 2018-08-10 | 2019-01-01 | 聚时科技(上海)有限公司 | 一种具有缺失核的多视图聚类机器学习方法 |
CN109189930A (zh) * | 2018-09-01 | 2019-01-11 | 网易(杭州)网络有限公司 | 文本特征提取及提取模型优化方法以及介质、装置和设备 |
CN110619367A (zh) * | 2019-09-20 | 2019-12-27 | 哈尔滨理工大学 | 联合低秩约束跨视角判别子空间学习方法及装置 |
CN110992217A (zh) * | 2019-11-15 | 2020-04-10 | 广东工业大学 | 一种外观设计专利多视图特征表示、检索的方法及装置 |
CN112766405A (zh) * | 2021-01-29 | 2021-05-07 | 重庆大学 | 基于多约束子空间投影的传感器数据分类方法 |
-
2016
- 2016-05-25 CN CN201610363553.2A patent/CN106127218A/zh active Pending
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108734187A (zh) * | 2017-04-20 | 2018-11-02 | 中山大学 | 一种基于张量奇异值分解的多视图谱聚类算法 |
CN108734187B (zh) * | 2017-04-20 | 2021-09-28 | 中山大学 | 一种基于张量奇异值分解的多视图谱聚类算法 |
CN109117881A (zh) * | 2018-08-10 | 2019-01-01 | 聚时科技(上海)有限公司 | 一种具有缺失核的多视图聚类机器学习方法 |
CN109189930A (zh) * | 2018-09-01 | 2019-01-11 | 网易(杭州)网络有限公司 | 文本特征提取及提取模型优化方法以及介质、装置和设备 |
CN109189930B (zh) * | 2018-09-01 | 2021-02-23 | 网易(杭州)网络有限公司 | 文本特征提取及提取模型优化方法以及介质、装置和设备 |
CN110619367A (zh) * | 2019-09-20 | 2019-12-27 | 哈尔滨理工大学 | 联合低秩约束跨视角判别子空间学习方法及装置 |
CN110992217A (zh) * | 2019-11-15 | 2020-04-10 | 广东工业大学 | 一种外观设计专利多视图特征表示、检索的方法及装置 |
CN110992217B (zh) * | 2019-11-15 | 2020-12-08 | 广东工业大学 | 一种外观设计专利多视图特征表示、检索的方法及装置 |
CN112766405A (zh) * | 2021-01-29 | 2021-05-07 | 重庆大学 | 基于多约束子空间投影的传感器数据分类方法 |
CN112766405B (zh) * | 2021-01-29 | 2023-08-29 | 重庆大学 | 基于多约束子空间投影的传感器数据分类方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106127218A (zh) | 一种基于张量展开的多视图谱聚类算法 | |
Cabrera-Vives et al. | Deep-HiTS: Rotation Invariant Convolutional Neural Network for Transient Detection∗ | |
CN108765383B (zh) | 基于深度迁移学习的视频描述方法 | |
CN107346328A (zh) | 一种基于多粒度层级网络的跨模态关联学习方法 | |
CN103605985B (zh) | 一种基于张量全局‑局部保持投影的数据降维的人脸识别方法 | |
Ma et al. | Hypersonic lifting body aerodynamic shape optimization based on the multiobjective evolutionary algorithm based on decomposition | |
CN103793507A (zh) | 一种使用深层结构获取双模态相似性测度的方法 | |
Makinen et al. | The cosmic graph: Optimal information extraction from large-scale structure using catalogues | |
CN105701504A (zh) | 用于零样本学习的多模态流形嵌入方法 | |
CN103440500A (zh) | 高光谱遥感图像分类与识别方法 | |
CN102915448A (zh) | 一种基于AdaBoost的三维模型自动分类方法 | |
CN105389839A (zh) | 基于流体分析的流体参数估计方法 | |
Deng et al. | A novel time delay estimation algorithm for 5G vehicle positioning in urban canyon environments | |
CN104200134A (zh) | 一种基于局部线性嵌入算法的肿瘤基因表数据特征选择方法 | |
CN110569882B (zh) | 一种图像信息分类方法及装置 | |
CN105893784A (zh) | 基于图像的性格测试调查问卷生成方法及调查交互的方法 | |
Zaman et al. | A multilingual perspective towards the evaluation of attribution methods in natural language inference | |
Wang et al. | Multiple-parameter radar signal sorting using support vector clustering and similitude entropy index | |
Lu et al. | Personalized federated learning on long-tailed data via adversarial feature augmentation | |
Cuturi et al. | Monge, bregman and occam: Interpretable optimal transport in high-dimensions with feature-sparse maps | |
CN103488744B (zh) | 一种大数据图像分类方法 | |
Liu | Detecting the fuzzy clusters of complex networks | |
CN111324731B (zh) | 对语料库的词语进行嵌入的计算机实施方法 | |
Qiao et al. | LiteSCANet: An efficient lightweight network based on spectral and channel-wise attention for hyperspectral image classification | |
Dang et al. | Aerodynamic design optimization of a hypersonic rocket sled deflector using the free-form deformation technique |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20161116 |