降维子空间聚类

Jul, 2015

Dimensionality-reduced subspace clustering

Reinhard Heckel, Michael Tschannen, Helmut Bölcskei

TL;DR本文探讨了三种基于稀疏信号恢复原理的子空间聚类算法在随机投影降维后的表现，发现在数据降维后仍能达到较好的聚类效果，进一步降维则会导致聚类问题无解。

Abstract

subspace clustering refers to the problem of clustering unlabeled high-dimensional data points into a union of low-dimensional linear subspaces, whose number, orientations, and dimensions are all unknown. In practice one may have access to dimensionality-reduced observations of the dat

subspace clustering dimensionality reduction sparse signal recovery thresholding orthogonal matching pursuit

发现论文，激发创造

降维数据的子空间聚类

本文研究了基于随机投影降维对稀疏子空间聚类和基于阈值的子空间聚类算法的性能影响，并发现即使将数据维度降到子空间维度的数量级，也不会受到显著的性能损失

Apr, 2014

噪声稀疏子空间聚类在降维数据上的理论分析

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。

Oct, 2016

带有异常值的子空间聚类的几何分析

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

鲁棒子空间聚类

该研究介绍了一种受稀疏子空间聚类算法启发的算法，并开发了一些新颖的理论，展示了其正确性。理论利用几何泛函分析的思想，表明算法可以在最小的方向和每个子空间的样本数量的要求下准确地恢复底层子空间，并通过合成和实际数据实验证明了算法的有效性。

Jan, 2013

稀疏子空间聚类：算法、理论和应用

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

阈值化和谱聚类的子空间聚类

本文提出了一种基于相关性阈值和谱聚类算法的低复杂度聚类算法，可将高维数据点聚类成低维线性子空间的集合，并成功处理了子空间相交和数据点缺失的问题，同时还提出一种检测异常值的方案。

Mar, 2013

手绘子空间聚类

本文介绍了一种随机化方案，名为 Sketch-SC，它是一种针对高维大容量数据的 SC 的加速计算方法，通过使用随机投影来压缩数据矩阵以实现快速而准确的大规模 SC。在实际数据上的性能分析及广泛的数值测试证实了 Sketch-SC 的潜力和与最先进的可扩展的 SC 方法相比的竞争性能。

Jul, 2017

高维数据的子空间聚类：预测性方法

本论文提出了一种新的预测子空间聚类方法，该方法可以将高维数据划分为互不相交的线性子空间聚类，同时估计子空间的 PCA 参数，实现变量选择，经过实验在基因表达数据集上得到了较好的结果。

Mar, 2012

基于匹配追踪的嘈杂子空间聚类

本文研究 SSP-OMP 和 SSP-MP 两种算法在噪声数据情况下的表现，证明其能够在子空间相交且受到严重噪声污染数据的情况下成功进行聚类，并可以自动检测数据子空间的维度。SSP-MP 在比较聚类性能和运行时间方面表现非常优异。

Dec, 2016

阈值法稳健子空间聚类

本研究提出了一种简单、低复杂度的子空间聚类算法，通过阈值化数据点之间的相关性来构建邻接矩阵，并且对噪声和异常值具有鲁棒性，可用于处理高维、噪声丰富的数据点。

Jul, 2013