计算机应用研究

作者：戴嘉珉,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：张量学习,自表示学习,无监督特征选择,

基金：宁波市自然科学基金资助项目(2023J115)；；

随着多视图数据在高维工业应用中的普及，特征选择因能保留特征的原始物理意义和可解释性而备受关注。尤其在标签稀缺的实际场景下，多视图无监督特征选择方法更具实用价值。针对现有方法在视图间关联挖掘与一致性探索方面的不足，提出一种基于统一测量和张量学习的多视图无监督特征选择方法（SMUMT）。该方法整合自表示学习以提升样本表示效率，结合联合学习构建可信相似度图以指导特征选择，并引入张量学习显式建模视图间高阶相关性。在7个公开数据集上的聚类实验结果表明，所提方法在多数情况下优于6种主流对比算法，尤其在图像类数据上表现突出，验证了其在特征选择与聚类性能方面的有效性。

来源：2026年第4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4期