锚图深度多视角子空间聚类

May, 2023

Deep Multi-View Subspace Clustering with Anchor Graph

Chenhang Cui, Yazhou Ren, Jingyu Pu, Xiaorong Pu, Lifang He

TL;DR本文提出了一种基于锚图、伪标签和对比学习的深度多视图子空间聚类方法，通过独立学习每个视图的特征并在集成锚图上执行谱聚类来解决现有方法存在的问题，实验结果表明其在真实世界数据集上具有优越的聚类性能。

Abstract

deep multi-view subspace clustering (DMVSC) has recently attracted increasing attention due to its promising performance. However, existing DMVSC methods still have two issues: (1) they mainly focus on using autoencoders to nonlinearly embed the data, while the embedding may be subopti

deep multi-view subspace clustering anchor graph spectral clustering pseudo-labels contrastive learning

发现论文，激发创造

基于锚点的多视图子空间聚类与层次特征下降

基于层次特征下降的锚点多视角子空间聚类方法 (MVSC-HFD) 通过类似性空间 (STAGE 2) 中的统一采样策略，以线性时间代价进一步降低计算复杂度，并通过子空间聚类 (STAGE 3) 来共同学习表示，从而在公共基准数据集上广泛实验表明，我们提出的模型始终优于现有技术的最新成果。

Oct, 2023

线性时间大规模多视角子空间聚类

提出一种线性复杂度的大规模多视图子空间聚类算法，通过锚图的概念学习每个视图的较小的图形，将它们集成在一起并在较小的图形上实现谱聚类，该方法验证有效性和有效性。

Nov, 2019

一种全能的新型大规模多视角聚类的双空间共训练基准线

通过在两个不同的空间中进行共训练，提出了一种名为 DSCMC 的新型多视图聚类模型，以增强聚类性能。我们的方法旨在捕捉不同视图中数据点之间的内在关系和结构，并将信息从多个视图映射到共享的潜在空间。通过构建潜在一致的锚图和特征转换来实现共同优化，从而生成具有判别性能力的锚图。我们的算法具有近似线性的计算复杂度，在大规模数据集上应用非常成功。通过实验证实，与现有方法相比，我们的方法显著降低了计算复杂度并获得了更好的聚类性能。

Jan, 2024

多视角深度子空间聚类网络

通过提出一种新的多视角深度子空间聚类网络 (multi-view deep subspace clustering network, MvDSCN)，并借助多元深度自显式矩阵 (self-representation matrix) 来学习，该模型可用于探测互补信息以有助于提取内在的结构，并且优于其他的多特征、多模态学习模型。

Aug, 2019

深度嵌入多视角聚类与协同训练

本文提出了一种深度嵌入式多视图聚类方法，其中包括对多视图的共识和互补性的考虑以及一种新的协作训练方案，并针对多视图聚类性能进行了实验性结果分析。

Jul, 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

自适应图卷积子空间聚类

通过使用 AGCSC 方法，我们采用了图卷积技术来同时开发特征提取方法和系数矩阵限制，并且我们的算法中的图卷积算子是迭代和自适应更新的，聚合特征表示适用于子空间聚类，并且系数矩阵能更准确地揭示原始数据集的子空间结构。

May, 2023

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

通过自适应一致性图滤波的多视角子空间聚类

本文介绍了一种多视角子空间聚类方法，利用共识重构系数矩阵和共识图滤波器进行数据平滑以及设计重构系数矩阵的规则化器，最终通过多个视角的重构系数矩阵创建约束条件，并提供了一个优化算法来获得它们的最优值。通过广泛的实验，显示该方法优于一些最先进的方法。

Jan, 2024

AugDMC：数据增强引导的深度多聚类

本文提出了一种基于数据增强的深层多聚类方法 AugDMC，利用自我 supervised 原型学习从数据中自动提取与特定方面相关的特征，并采用稳定的优化策略以减轻不同数据增强造成的不稳定性问题，并能够获得基于数据不同方面的多重聚类结构。

Jun, 2023