ABSTRAK
Dalam bidang pengelompokan multiview, cara memanfaatkan informasi dari berbagai sumber data untuk meningkatkan kinerja pengelompokan telah menjadi topik penelitian yang menarik. Namun, pertumbuhan data multiview berdimensi tinggi yang pesat membawa tantangan besar bagi penelitian algoritma pengelompokan multiview, terutama kompleksitas waktu dan ruang dari algoritma tersebut. Sebagai solusi yang efektif, teknik berbasis jangkar telah mendapatkan perhatian luas dalam tugas pengelompokan multiview skala besar. Meskipun demikian, metode berbasis jangkar saat ini gagal untuk sepenuhnya memperhitungkan pentingnya berbagai tampilan dan perbedaan serta keberagaman jangkar pada saat yang sama, yang membatasi kinerja pengelompokan sampai batas tertentu. Untuk mengatasi masalah ini, kami mengusulkan pengelompokan multiview berbobot ganda berdasarkan jangkar (DwMVCA). Pertama, kami secara efektif membedakan dampak yang berbeda dari tampilan berkualitas tinggi dan berkualitas rendah pada pengelompokan dengan mempelajari bobot berbagai tampilan secara adaptif. Kedua, dengan memperkenalkan matriks pembobotan adaptif jangkar dan istilah regularisasi matriks korelasi diri, perbedaan dan keberagaman jangkar sepenuhnya dipertimbangkan untuk secara efektif mengurangi efek informasi yang berlebihan pada pengelompokan. Lebih jauh, kami merancang algoritma optimasi bergantian tiga langkah untuk memecahkan masalah optimasi yang dihasilkan dan membuktikan konvergensinya. Hasil eksperimen yang luas menunjukkan bahwa DwMVCA yang diusulkan memiliki keunggulan yang jelas dalam kinerja pengelompokan pada kumpulan data berskala besar, terutama pada kumpulan data dengan lebih dari 100.000 sampel yang masih mempertahankan kompleksitas waktu linier.
Pengelompokan Multiview Berbobot Ganda Berdasarkan Jangkar
