May, 2022

加强型鲁棒多视角核子空间聚类

PDF
TL;DR本研究提出了一种新颖的多视图子空间聚类方法，其中采用了 Enriched Robust Multi-View Kernel Subspace Clustering 框架，结合多视角数据和谱聚类学习一致性亲和矩阵，解决了现有方法采用两阶段框架以及假设域数据均为线性子空间的问题。实验证明，该方法表现优于现有的聚类方法。
subspace clusteringmulti-view subspace clusteringaffinity learningnon-linearity structuresenriched robust multi-view kernel subspace clustering
发现论文，激发创造
  • 多视角低秩稀疏子空间聚类

    本研究提出了一种多视角子空间聚类算法，该算法通过构建共享于所有视图的相似度矩阵学习联合子空间表示，采用了重要的低秩和稀疏性约束，通过交替方向乘子法求解相关的优化问题，进一步扩展到非线性子空间，并在一个合成及四个真实数据集上表现出优于现有算法的聚类效果。

    Aug, 2017

  • 可扩展多视图聚类通过显式核特征映射

    在本文中，我们引入了一个新的多视图子空间聚类的可扩展性框架，并提出了一种有效的优化策略，利用核特征映射来减少计算负担，同时保持良好的聚类性能。该算法的可扩展性意味着它可以应用于包含数百万数据点的大规模数据集，并在几分钟内使用标准机器完成。我们通过对各种规模的真实基准网络进行广泛实验，评估了我们的算法在支持多视图子空间聚类方法和属性网络多视图方法方面的性能。

    Feb, 2024

  • 可扩展的 $k$ 子空间深度聚类

    本文提出了一种利用深度神经网络中的子空间共同学习嵌入空间，以最小化重建误差来解决子空间聚类问题的方法，从而无需通过亲和矩阵来执行聚类，大大提高了聚类准确性并降低了内存占用。

    Nov, 2018

  • 结构化稀疏子空间聚类：一种同时学习关联度和子空间聚类的框架

    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

  • 鲁棒的局部多视角子空间聚类

    本文提出了一种新的局部多视图子空间聚类模型，该模型考虑了不同视图和样本的置信度，并通过适当地为每个视图下的每个样本分配权重，从而获得了鲁棒的一致表示，进一步在权重参数上开发了一个基于凸共轭理论的正则化器，并以自适应方式确定样本权重，使用具有收敛保证的高效迭代算法，通过四个基准上的实验结果证明了该模型的正确性和有效性。

    May, 2017

  • 利用 $K$ 子空间集成的子空间聚类

    我们提出了一种基于集合 K 子空间 (EKSS) 的几何方法，该算法通过证据积累聚类框架，形成一个共同关联矩阵，该矩阵的 (i，j) th 项是由多次运行具有随机初始化的 KSS 聚类算法将点 i 和 j 配对在一起的次数。我们表明，当一个算法形成的亲和力矩阵的具有和绝对内积的单调变换接近的条目时，该算法可以提供恢复保证。

    Sep, 2017

  • 大规模数据的高效、有效的多视角子空间聚类

    在大规模多视角数据集中，我们提出了一种高效有效的多视角子空间聚类深度框架 (E$^2$LMVSC)，通过提取统一的表示来增强聚类性能。

    Oct, 2023

  • 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

  • 贪心子空间聚类

    本文提出了新的便捷高效的算法来解决低维线性子空间聚类问题，并通过统计分析证明算法在某些条件下保证精确的聚类性能，并在模拟数据和真实数据上进行了实验验证。

    Oct, 2014

  • 相似性和聚类的双生学习：统一的核方法

    为解决相似性测量困难及非线性相似性未被充分考虑等问题，在核空间中提出一种模型，同时学习聚类指示器矩阵和相似度信息，并通过多核学习能力进一步扩展模型以选择最合适的内核。该模型可自动完成三个子任务以获得最佳聚类解决方案。

    May, 2017