软件学报

作者：吴建生，李艳兰，黄冲，闵卫东

单位：吴建生，南昌大学 数学与计算机学院, 江西 南昌 330031;南昌大学 元宇宙研究院, 江西 南昌 330031;江西省智慧城市重点实验室 (南昌大学), 江西 南昌 33003111,李艳兰，南昌大学 软件学院, 江西 南昌 33004702,黄冲，南昌大学 信息化办公室, 江西 南昌 33003103,闵卫东，南昌大学 数学与计算机学院, 江西 南昌 330031;南昌大学 元宇宙研究院, 江西 南昌 330031;江西省智慧城市重点实验室 (南昌大学), 江西 南昌 33003104

关键词：多视图数据;无监督特征选择;聚类;结构保持;流数据

基金：国家自然科学基金(62066027, 62076117); 江西省自然科学基金(20212BAB212011); 江西省智慧城市重点实验室科技创新平台项目(20192BCD40002)

多视图数据从不同角度描述数据对象, 数据在不同视图中的特征表示之间存在着相关性、互补性及多样性信息. 综合利用这些信息对多视图数据处理至关重要. 然而, 多视图数据通常具有高维度特点, 且常含有噪声特征, 这为多视图数据的处理与分析带来了许多困难. 无监督多视图特征选择无需样本标记信息, 从多个视图源的原始高维特征中学习更紧凑、更准确的特征表示以提高数据分析的效果, 在多视图数据处理领域起着重要作用. 根据已有的无监督多视图特征选择模型的工作机制的异同, 对这些模型进行归纳和总结, 分析其中存在的不足, 并指出未来研究的方向.

来源：2025年第2期

《软件学报》期刊编辑部

查看软件学报杂志2025年第2期