计算机应用研究

作者：高海燕,刘万金,黄恒君,

单位：1.兰州财经大学统计学院,兰州730020；2.甘肃省数字经济与社会计算科学重点实验室,兰州730020；

关键词：对称非负矩阵分解,鲁棒性,聚类,交替迭代方法,

基金：国家社会科学基金资助项目(19XTJ002,20XTJ005)；中央引导地方科技发展资助项目(GSK215115)；甘肃省软科学专项资助项目(20CX9ZA047)；；

对称非负矩阵分解SNMF作为一种基于图的聚类算法，能够更自然地捕获图表示中嵌入的聚类结构，并且在线性和非线性流形上获得更好的聚类结果，但对变量的初始化比较敏感。另外，标准的SNMF算法利用误差平方和来衡量分解的质量，对噪声和异常值敏感。为了解决这些问题，在集成学习视角下，提出一种鲁棒自适应对称非负矩阵分解聚类算法RS3NMF（robust self-adaptived symmetric nonnegative matrix factorization）。基于L2，1范数的RS3NMF模型缓解了噪声和异常值的影响，保持了特征旋转不变性，提高了模型的鲁棒性。同时，在不借助任何附加信息的前提下，利用SNMF对初始化特征的敏感性来逐步增强聚类性能。采用交替迭代方法优化，并保证目标函数值的收敛性。大量实验结果表明，所提RS3NMF算法优于其他先进的算法，具有较强的鲁棒性。

来源：2023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2023年第4期