Resumen

Con el rápido desarrollo de la tecnología de redes informáticas, podemos adquirir una gran cantidad de datos multimedia, y se convierte en una tarea muy importante analizar estos datos. Dado que la construcción de grafos o el aprendizaje de grafos es una herramienta poderosa para el análisis de datos multimedia, se han propuesto muchos enfoques de aprendizaje de subespacios y agrupamiento basados en grafos. Entre los algoritmos de aprendizaje de grafos existentes, los enfoques basados en la reconstrucción de muestras han tomado la delantera. Sin embargo, estos enfoques no solo ignoran la información de la estructura local y global, sino que también son sensibles al ruido. Para abordar estas limitaciones, este artículo propone un marco de aprendizaje de grafos, denominado Aprendizaje de Estructura de Grafo Robusto (RGSL). A diferencia de los enfoques de aprendizaje de grafos existentes, nuestro enfoque adopta la autoexpresividad de las muestras para capturar la estructura global, al mismo tiempo que utiliza la localidad de los datos

• Materias:Comunicación inalámbrica Dispositivos móviles Seguridad de la información Algoritmo de inteligencia Sensor inteligente
• Subjects:Wireless communication Mobile devices Information security Algorithm intelligence Intelligent sensor
• Palabras claves:Desarrollo; Datos multimedia; Aprendizaje de grafos; Aprendizaje de subespacios; Agrupamiento; Ruido
• Keywords:Development; Multimedia data; Graph learning; Subspace learning; Clustering; Noise