面向对象数据库视图类推导及集成算法

提出实现对象视图类中方法的推导和视图类的集成的相关算法,这些算法能提供视图类中方法的自动推导,减少代理类的生成个数,维持相对较小的全局数据库模式。

在VC++中实现具有缩放功能的滚动视图类

文中阐述了在VC + +中为CScrollView增加缩放功能具体设计方案、实现过程中可能出现的问题的解决方法 ,将实现代码集成为一个MFC扩展类 。

MFC视图类的继承、模板方法模式及其在数据库应用系统中的应用

首先陈述了VC编程中的一个难题——所有视图类都只能从MFC提供的类继承。然后说明如何变通的解决这个问题,使得可以从自定义的类中继承视图类,从而使得自定义的视图类有良好的层次结构。然后介绍了模板方法模式在这些视图类的界面消息处理函数中的应用。最后,给出了一个数据库应用方面的实例。

多视图类多文档模板在VC++中的实现

详细讨论在VisualC＋＋5．0中实现同一应用程序的多个视图类和实现多个文档模板的方法，以及如何改变窗口缺省属性的方法。实现多个视图类的关键问题：一是新加入的视图类必须以CView做为类名的结尾；二是要建立新的视困类和文档类之间的联系，在新加入的视图类中加入GetDocument函数，使该函数返回一个指向派生的文档类的指针，并在新的视图类中加入GetDocument函数的调试和非调试版本。多个文楷模板建立之后，需要加入适当的函数和菜单命令，以便去掉随着新的空文档的打开而出现的模板列表框，为此需要删除应用程序类中InitInstance函数里用于打开空文档的命令处理行，并添加相应的消息处理函数和辅助函数，以便根据确定的文档类型打开相应的空文裆。

自适应相似图联合优化的多视图聚类

相比于单一视图学习,多视图学习往往可以获得学习对象更全面的信息,因而在无监督学习领域,多视图聚类受到了研究者的极大关注,其中基于图的多视图聚类,近年来取得了很大的研究进展.基于图的多视图聚类一般是先从各个视图原始数据学习相似图,再进行视图间相似图的融合来获得最终聚类结果,因此,多视图聚类的效果是由相似图质量和相似图融合方法共同决定的.然而,现有基于图的多视图聚类方法几乎都聚焦在视图间相似图的融合方法研究上,而缺乏对相似图本身质量的关注.这些方法大多数都是孤立地从各视图的原始数据中学习相似图,并且在后续图融合过程中保持相似图不变.这样得到的相似图不可避免地包含噪声和冗余信息,进而影响后续的图融合和聚类.而少量考虑相似图质量的研究,要么相似图构造和图融合过程是直接联立迭代的,要么在预定义相似图过程中提前利用秩约束进一步初始化,要么就是利用相似图存在的一些底层结构来获取融合图的.这些方法对相似图本身改进很小,最终聚类性能提升也十分有限.同时现有基于图的多视图聚类流程也缺乏对各视图间一致性和不一致性的综合考虑,这也会严重影响最终的多视图聚类性能.为了避免低质量预定义相似图对聚类结果的不利影响以及综合考虑视图间一致性与不一致性来提升最终聚类效果,本文提出了一种自适应相似图联合优化的多视图聚类方法.首先通过Hadamard积来获得视图间高质量一致性部分信息,再将每个预定义相似图和这部分信息对标,重构各个视图的预设相似图.这个过程强化了各视图间的一致性部分,弱化了不一致性部分.其次设计了相似图重构改进和图融合联合迭代优化框架,实现了相似图的自适应改进,最终达到相似图和聚类结果共同提升的效果.该方法将相似图改进过程与图融合过程联合起来进行自适应迭代优化,并且在迭代优化中不断强化各视图间的一致性,弱化视图间的不一致性.此外,本文的方法也集成了现有多视图聚类方法的一些优点,自加权以及无需额外聚类步骤等.在九个基准数据集上与八个对比方法的实验验证了本文方法的有效性与优越性.

基于多阶近邻约束的深度不完整多视图聚类方法

多视图聚类是重要的无监督学习方法之一,然而在实际应用中很难获取完整的多视图数据,导致不完整多视图聚类问题.大多数已有的不完整多视图聚类方法只考虑了视图的属性信息,而忽视了数据结构信息对聚类的影响,使提取的特征不能充分表示原始数据的潜在结构.针对以上问题,提出一种基于多阶近邻约束的深度不完整多视图聚类方法.首先,利用具有自注意力机制的深度自编码器获取带有视图间信息交互的深层次隐含特征,并采用加权融合的方式获取视图的公共语义信息;然后,对于不完整多视图中的缺失数据,利用多视图的公共表示进行补全;最后,提出一种多阶近邻约束机制,该机制考虑不完整多视图数据的深层结构信息,利用多视图的互补性构建近似完整的近邻图,引导编码器学习更紧致、更有判别性的高级语义特征.在公共数据集上的实验结果证明了所提方法的有效性.

基于改进松弛嵌入空间的多视图聚类

针对传统聚类方法缺乏统一特征表示,存在保守性的缺陷,提出一种基于改进松弛嵌入空间的多视图聚类方法。在统一的框架下联合学习一个综合的潜在嵌入表示矩阵、全局相似矩阵和一个精确指标矩阵。进一步放松全局相似矩阵的约束,并在此基础上提出一种改进的松弛多视图聚类嵌入空间,使得该方法具有更低的计算复杂度和更多的数据点对之间的相关性。实验结果表明,该方法能够获得鲁棒性更强、准确度更高的聚类结果。

张量学习诱导的多视图谱聚类

现有的方法将通过张量奇异值分解(t-SVD)正则化的低秩表示应用到多视图子空间聚类中,取得了令人印象深刻的聚类性能.然而,它们都具有以下两个共同的缺点:(1)他们专注于探索样本之间的关系以构建表征,然后将其堆叠为张量,其计算复杂度至少为O(n2logn);(2)他们总是直接在整合的表征上运行标准的谱聚类算法,而忽略了不同表征对最终聚类结果的先验知识.为了解决这些问题,本文提出了一种新颖的张量学习诱导的多视图谱聚类(TLIMSC)方法,其中同时探索了空间聚类结构和互补信息.具体来说,该方法将关联样本和簇关系的多视图谱嵌入表示堆叠成张量,计算复杂度最终变为O(n logn).然后,将学习到的带有不同自适应置信度的表征与最终的一致聚类结果联系起来.在五个数据集上的广泛实验证明了TLIMSC所具有的有效性和高效性.

不完整多视图聚类综述

多视图聚类是近年来图数据挖掘领域的研究热点。由于数据采集技术的限制或人为因素等原因常导致视图或样本缺失问题。降低多视图的不完整性对聚类效果的影响是多视图聚类目前面临的重大挑战。因此,综合研究不完整多视图聚类(IMC)近年的发展具有重要的理论意义和实践价值。首先,归纳分析不完整多视图数据缺失类型;其次,详细比较基于多核学习(MKL)、矩阵分解(MF)学习、深度学习和图学习这4类IMC方法,分析代表性方法的技术特点和区别;再次,从数据集类型、视图和类别数量、应用领域等角度总结22个公开不完整多视图数据集;继次,总结评价指标,并系统分析现有不完整多视图聚类方法在同构和异构数据集上的性能表现;最后,归纳分析不完整多视图聚类目前存在的问题、未来的发展方向和现有应用领域。

基于加权锚点的多视图聚类算法

大规模多视图聚类旨在解决传统多视图聚类算法中计算速度慢、空间复杂度高,以致无法扩展到大规模数据的问题.其中,基于锚点的多视图聚类方法通过使用整体数据集合的锚点集构建后者对于前者的重构矩阵,利用重构矩阵进行聚类,有效地降低了算法的时间和空间复杂度.然而,现有的方法忽视了锚点之间的差异,均等地看待所有锚点,导致聚类结果受到低质量锚点的限制.为定位更具有判别性的锚点,加强高质量锚点对聚类的影响,提出一种基于加权锚点的大规模多视图聚类算法(Multi-view clustering with weighted anchors,MVC-WA).通过引入自适应锚点加权机制,所提方法在统一框架下确定锚点的权重,进行锚图的构建.同时,为增加锚点的多样性,根据锚点之间的相似度进一步调整锚点的权重.在9个基准数据集上与现有最先进的大规模多视图聚类算法的对比实验结果验证了所提方法的高效性与有效性.

基于多样性与一致性的单步多视图聚类

随着数据采集技术的发展,多视图数据变得越来越常见。与单视图数据相比,多视图数据包含更丰富的信息,通常用一致性与多样性来刻画。现有基于图的多视图聚类方法大多只关注视图间的一致性信息,忽视了视图间的多样性信息,并且图的构建与聚类过程分离,从而影响聚类算法的效果。提出基于多样性与一致性的单步多视图聚类算法(OMCDC)。基于“距离较近的数据点成为邻居的可能性较大”这一先验知识构建各个视图的相似性图。不同于以往算法直接融合相似性图获得公共图,OMCDC将每个视图的相似性图分解为一致性图和多样性图,通过融合一致性图获得更具一致性的公共图。在此基础上,引入谱旋转,联合优化低维谱嵌入和聚类概率矩阵,将图学习和聚类融为一体,直接获得聚类结果。OMCDC充分利用了多视图数据的一致性信息与多样性信息,结合谱旋转实现了单步多视图聚类。实验结果表明,该算法在100L和HW2数据集上的聚类准确率分别为94.62%和99.30%,相比MVGL、AWP、MCGC等方法具有较优的聚类性能。

基于一致引导的不完全多视图聚类

为了解决传统聚类方法存在的效果差、泛化能力弱等问题,提出一种基于一致引导的不完全多视图聚类方法。将图学习和一致性表示学习集成到一个联合框架中,从而充分利用多视图数据信息。引入的自适应学习权值向量可以平衡不同视图的影响,联合正则化表示学习策略则为一致表示学习提供了更大的自由度。提出交替迭代优化算法对聚类进行优化。在七个数据集上的实验结果表明,提出的方法能够有效提升不完全多视图聚类的效果。

基于干净字典学习的多视图聚类算法

多视图聚类已被广泛应用到图像分类、信息检索、医学病理分析等多个领域。虽然基于自表示学 习的多视图子空间聚类算法在学术界已有诸多研究,但这些方法大多数是直接利用原始数据作为 字典来构建亲和图,因此,聚类性能往往会受到原始数据特征质量的影响。为了克服这一问题, 我们提出了一种全新的多视图聚类算法,名为 “基于干净字典学习的多视图聚类算法”。在这种 方法中,我们首先将原始数据分解为干净数据和噪声数据,然后通过采用干净数据矩阵来进行字 典学习,从而避免了直接使用受污染数据所导致的错误表示。同时,我们引入了鲁棒主成分分析 (RPCA) 和秩约束,以构建出更加干净、鲁棒的亲和矩阵。最后,我们使用了基于增广拉格朗日 乘子 (ALM) 的优化方法来求解模型的目标函数。实验结果表明,在 4 个真实的多视图数据集上, 我们算法的聚类性能均优于其他先进的聚类算法,展现出了非凡的性能。

基于三支决策的多视图低秩稀疏子空间聚类算法

多视图子空间聚类是一种从子空间中学习所有视图共享的统一表示,挖掘数据潜在聚类结构的方法.作为一种处理高维数据的聚类方法,子空间聚类是多视图聚类领域的研究热点之一.多视图低秩稀疏子空间聚类是一种结合了低秩表示和稀疏约束的子空间聚类方法.该算法在构造亲和矩阵过程中,利用低秩稀疏约束同时捕捉了数据的全局结构和局部结构,优化了子空间聚类的性能.三支决策是一种基于粗糙集模型的决策思想,常被应用于聚类算法来反映聚类过程中对象与类簇之间的不确定性关系.本文基于三支决策的思想,设计了一种投票制度作为决策依据,将其与多视图稀疏子空间聚类组成一个统一框架,从而形成一种新的算法.在多个人工数据集和真实数据集上的实验表明,该算法可提高多视图聚类的准确性.

基于相似图投影学习的多视图聚类

随着数据来源方式的多样化发展,多视图聚类成为研究热点。大多数算法过于专注利用图结构寻求一致表示,却忽视了如何学习图结构本身;此外,一些方法通常基于固定视图进行算法优化。为了解决这些问题,提出了一种基于相似图投影学习的多视图聚类算法(multi-view clustering based on similarity graph projection learning, MCSGP),通过利用投影图有效地融合了全局结构信息和局部潜在信息到一个共识图中,而不仅是追求每个视图与共识图的一致性。通过在共识图矩阵的图拉普拉斯矩阵上施加秩约束,该算法能够自然地将数据点划分到所需数量的簇中。在两个人工数据集和七个真实数据集的实验中,MCSGP算法在人工数据集上的聚类效果表现出色,同时在涉及21个指标的真实数据集中,有17个指标达到了最优水平,从而充分证明了该算法的优越性能。

基于自表示和投影映射的不完整多视图聚类

针对不完整多视图聚类存在的缺陷,提出一种融合自表示和投影映射的统一框架.首先,利用自表示和样本存在指示矩阵学习一致相似图,它反映了样本间的公共相似关系;其次,利用投影映射将样本矩阵投影到超球面上,得到公共低维表示;最后,将两者通过谱表示嵌入在一起,解决了因多视图数据缺失引起的不完整多视图聚类问题.该算法在真实数据集上的实验结果优于其他算法,证明了算法的有效性.

基于谱聚类的自加权多视图聚类算法研究

针对多视图聚类中如何更好地融合不同视图之间信息的问题,提出了一种多视图聚类算法。采用谱聚类中的归一化割算法,得到每个单视图的嵌入矩阵。通过最小化最终的全局图与各单视图之间的差距来学习最终的全局图。考虑到不同视图的重要性不同,使用了一种自加权的方式为每个视图添加权重。利用秩约束的方式控制全局图的连通分量个数。聚类结果可以从最终学习得到的全局图中直接得出,每个连通分量即为一个簇。通过在两个真实数据集上进行实验,对比该算法与其他类似算法在相同数据集上的聚类评价指标,得出该算法的聚类指标相比于对比算法有最大12%的提升。

基于重构残差保持的深度矩阵分解的多视图聚类

多视图聚类是机器学习中的一个基本问题,近年来,基于矩阵分解用于学习多视图数据获得广泛的关注,并且取得了不错的效果。然而,我们发现现有的多视图聚类方法大多主要关注多视图数据所蕴含的重要属性,即一致性和互补性,而忽略了属于单个视图的特定统计属性。为此,本文提出一个矩阵深度矩阵分解的局部残差保持的多视图聚类算法(LRPDMF),我们通过图嵌入的方式,捕捉到每个视图的特定统计属性,保证每一层的数据重构,相似的数据点具有相似的重建残差。在融合阶段的,我们利用这些学习到的特征,由于不同的视图可能会有不同的权重,我们利用自适应的方式将他们逼近到一个相似低维空间。在不同的数据集上,我们的LRPDMF与现在最先进的方法比较,获得不错的实验效果。

具有鲁棒性的正交约束多视图子空间聚类算法

通过直接处理原始数据的每个视图,多视图子空间聚类算法通常可以获得潜在的子空间表示矩阵.然而,这些方法往往低估了冗余数据的影响,因此在潜在子空间表示中准确捕捉精确的聚类结果具有挑战性.此外,用于产生聚类结果的K-means算法很容易忽略子空间内数据的局部结构,导致结果不稳定.针对上述问题,本文提出了一种多视图子空间方法来获取高质量的子空间表示.具体来说,首先通过特征分解方法获得鲁棒性表示.然后,为多个视图构建一个联合潜在子空间表示.接下来,使用谱旋转来获得聚类结果,并对划分矩阵采用正交约束来重构子空间,从而提高聚类性能.最后,使用迭代优化算法来解决相关的优化问题.本文在5个基准数据集上进行了实验,结果表明,与最近的多视图聚类算法相比,本文的算法更加有效.

基于分布对齐变分自编码器的深度多视图聚类

多视图聚类(Multi-View Clustering,MVC)旨在利用不同视图间的一致性和互补性来高效处理多视图数据,是大数据分析中重要的研究方向之一.然而,现有方法无法有效学习到多视图信息间的潜在联系,且缺乏考虑视图重要性差异问题.针对上述这些问题,本文提出了一种基于分布对齐变分自编码器的深度多视图聚类方法(Deep Multi-View Clustering based on Distribution Aligned Variational Autoencoder,DMVCDA).首先,针对特定视图我们利用多个变分自编码器从不同视图中提取潜在特征,并对特征的分布进行对齐,以挖掘包含基本信息的潜在特征;然后,引入视图权重参数,获取共享的潜在特征;最后,在潜在特征上建立面向聚类的损失目标,使得学习到的潜在特征更适合聚类任务,从而提高聚类精度.在五个公共多视图数据集上的实验结果表明,我们的模型在精确度(ACC)、标准互信息(NMI)和纯度(Purity)等多个聚类评价指标上均表现出优异的性能.