高阶多项式层驱动的多视图聚类表示学习方法及系统

本发明公开了高阶多项式层驱动的多视图聚类表示学习方法及系统，涉及多视图聚类领域，本发明通过通过在全连接层的基础之上引入了高阶项，赋予了模型学习非线性信息的能力。同时，我们采用动态权重矩阵来平衡非线性高阶项与线性变换项之间的关系。此外，我们在全连接层嵌入了归一化流程，使该层(多项式线性层)与输入数据的特征数量建立关联，进而提升模型的计算稳定性。最终，构建了基于二次多项式和多项式线性的HOCN表示学习框架，用于挖掘视图数据中的潜在特征信息；在六个公开数据集上开展的实验结果表明，本发明所提方法展现出了卓越的聚类性能。