学习自表示网络进行子空间聚类

CVPROct, 2021

Learning a Self-Expressive Network for Subspace Clustering

Shangzhi Zhang, Chong You, René Vidal, Chun-Guang Li

TL;DR本文提出了一种名为 Self-Expressive Network (SENet) 的新型子空间聚类框架，该框架采用一个设计良好的神经网络来学习数据的自表达表示，该框架不仅可以在训练数据上学习自表达系数，还可以处理外样本数据和大规模的数据集，通过实验验证其在 MNIST、Fashion MNIST、Extended MNIST 和 CIFAR-10 上有效。

Abstract

State-of-the-art subspace clustering methods are based on self-expressive model, which represents each data point as a linear combination of other data points. However, such methods are designed for a finite sample dataset and lack the ability to generalize to →

subspace clustering self-expressive model neural network out-of-sample data large-scale datasets

发现论文，激发创造

深度子空间聚类网络

本文提出了一种基于深度自编码器的无监督子空间聚类新颖深度神经网络架构，其中引入了一种自相似层，以模拟传统子空间聚类方法中的 “自相似” 属性。该方法能够在非线性方式下对具有复杂结构的数据点进行聚类，并且在实验中表现出优于现有方法的性能。

Sep, 2017

自监督卷积子空间聚类网络

提出了一种称为自监督卷积子空间聚类网络（S^2ConvSCN）的端到端可训练框架，该框架将 Convolutional Neural Network 模块（用于特征学习），自我表达模块（用于子空间聚类）和谱聚类模块（用于自我监督）组合到联合优化框架中，实现了同时的特征学习和子空间聚类。

May, 2019

深度双重自表达子空间聚类

本文提出了一种双自表达子空间聚类算法，利用自表达系数构建相似度矩阵进行谱聚类，并提出了基于对比学习的自监督模块，该算法在多个基准数据集上实现了比现有方法更好的聚类表现。

Jun, 2023

自表达深度子空间聚类的批判

本文研究了利用神经网络学习的嵌入空间进行子空间聚类的问题，提出了现有方法存在的一些潜在问题，并通过实验验证了以前的性能表现不完全是由于深度子空间聚类模型本身而产生的。

Oct, 2020

重新审视数据增强在子空间聚类中的应用

本文提出通过数据增强来提高自表示模型的表达质量，以应对子空间内数据分布不足的问题。提出了两种半监督子空间聚类框架，使用扩展字典，证明数据增强对于提高聚类效果有显著作用。

Jul, 2022

深度多模态子空间聚类网络

本文提出了一种基于卷积神经网络的无监督多模态子空间聚类方法，包括三个主要阶段：多模态编码器、自表示层和多模态解码器。对于空间融合，探究了早期、中期和晚期融合技术，并提出了三种相应的编码器。在三个数据集上进行了广泛的实验，结果表明这些方法明显优于现有的多模态子空间聚类方法。

Apr, 2018

随机稀疏子空间聚类

本文提出了基于 dropout 和正则化的随机稀疏子空间聚类方法，旨在解决现有方法在同一子空间内数据点之间连接不紧密的问题，并经过大量实验验证了该方法的有效性和可扩展性。

May, 2020

多层图方法用于深度子空间聚类

深度子空间聚类网络通过线性子空间聚类算法学习表示矩阵，进一步改进了多层图的性能，并在聚类外样本数据点中取得了统计学上显著的改进。

Jan, 2024

神经协作子空间聚类

研究介绍了神经协同子空间聚类，一种无需谱聚类辅助即可发现低维子空间中数据点集簇的神经模型。关键在于分类器的构建和两个相关矩阵的协同训练。与其他聚类算法相比性能更优。

Apr, 2019

学习结构感知的深度谱嵌入

本研究提出了一个深度学习算法，通过结构感知谱嵌入和结构保持，编码输入数据的子空间结构和形状信息，并基于自表达学习和注意力机制，能够更好地处理非线性数据集的聚类问题，并在六个真实数据集上取得了优异的聚类性能和更好的泛化能力。

May, 2023