计算机应用研究

作者：蒋剑军,谢锡炯,

单位：宁波大学信息科学与工程学院,浙江宁波315211；

关键词：图学习,非负矩阵分解,多视图无监督特征选择,低秩张量学习,

基金：国家自然科学基金资助项目(61906101)；浙江省自然科学基金资助项目(LQ18F020001)；；

针对多视图无监督特征选择中，直接基于原始噪声特征构图易忽略全局结构，且传统多图融合方法因视图异质性难以有效挖掘共享一致信息的问题，提出一种结合潜在表示与张量学习的特征选择模型。该方法将原始多视图数据映射至公共潜在空间以捕获高层语义结构，并在此基础上进行子空间学习以剔除不相关特征。进一步引入谱表示保持共享局部几何结构，并采用低秩张量约束建模视图间高阶交互，同时在特征回归框架中融入范数正则化以提升鲁棒性。该方法通过潜在表示学习与张量高阶关联建模，能够更有效地捕获多视图数据的一致结构与内在判别信息，从而提升特征选择的稳定性和代表性。在六个公开基准数据集上的实验结果表明，该方法在多种评价指标上均显著优于当前主流方法。

来源：2026年第5期

《计算机应用研究》期刊编辑部

查看计算机应用研究杂志2026年第5期