研究多个线性子空间的数据分割问题。最新的方法使用稀疏表示、低秩表示及其扩展引起了广泛关注。该论文介绍了基于数据相关性提出的最小二乘回归 (Least Squares Regression, LSR) 方法,对实验数据进行处理,获得了比目前最先进的方法更高的分割准确性与更高的效率。
Apr, 2014
本文针对从一组仿射子空间中聚类数据的问题,开发了一种名为 Affine SSC (ASSC) 的 SSC 变体,并提出了仿射独立的新概念以捕捉一组仿射子空间的排列,该理论在合理条件下保证了 ASSC 产生子空间保持的亲和力,从而产生正确的聚类。
Aug, 2018
通过随机层次聚类方法选择少量的锚点,并仅为每个数据点允许锚点具有非零权重,从而解决了大规模数据集中实际的解决 LASSO 问题的难题,并且利用正交矩阵的 Grassmann 流形将图层之间的共享连接总结在一个子空间内,通过 k-means 聚类在这个子空间内对数据点进行聚类,提高了 SSC 算法的可扩展性和鲁棒性。
Feb, 2018
研究了利用 LRR-PSD 算法来实现高维结构数据的分割,其通过显式地施加正半定约束将稀疏重构的亲和矩阵转换为低秩表示。
Sep, 2010
本文提出了一种名为 S$^3$C 的联合优化框架,用于同时学习亲和性和分段,并通过备用方向乘法的组合和谱聚类找到结构稀疏表示和分段。在实验中,对合成数据集、扩展的 Yale B 数据集、Hopkins 155 运动分割数据库和三个癌症数据集进行了测试,证明了这种方法的有效性。
Oct, 2016
本文介绍了一种名为 “稀疏子空间聚类”(Sparse Subspace Clustering,SSC)的算法,该算法通过在低维结构中聚类高维数据点来实现,采用了稀疏优化的思想并融合了数据模型以处理数据噪音、稀疏的非典型数据,经过实验验证,表明该算法具有高效性和较好的效果。
Mar, 2012
本研究考虑了一个不带标签数据集的聚类问题,它们被认为靠近低维平面的联合。研究人员发展了一种新的基于几何分析的算法,名为稀疏子空间聚类(SSC),可以广泛应用于无监督学习和计算机视觉等领域,论文展示了它在多个方面的有效性,并开创了有关稀疏恢复问题的新思路,数值研究强调了方法的实用性。
Dec, 2011
本文针对百万数据点的大规模子空间聚类问题提出了可学习的子空间聚类范式,使用可学习的参数函数将高维子空间划分为低维子空间,取代了传统编码模型的高成本,提高了聚类效率。通过对大规模数据集的实验验证,该模型在效率和准确性方面均优于现有的相关方法。
Apr, 2020
研究如何使用谱聚类将具有不同大小和密度的多尺度数据进行聚类,并提出了一种名为 CAST 的算法,该算法将对象的可达性相似性与给定的距离相似性结合起来,以得出对象的系数矩阵,并证明该系数矩阵具有‘分组效应’和‘稀疏性’等特征,实验结果表明 CAST 算法在处理多尺度数据时表现出优异性能和高鲁棒性。
Jun, 2020
本文研究稀疏子空间聚类 (SSC) 算法在降维数据上的理论性质,包括确定性模型和多种降维技术,并将该分析应用于隐私保护算法中,同时确保方法的隐私性和效用性。