该论文提出了一种结合了稀疏表示和随机游走的新的离群值检测方法,通过定义合适的马尔科夫链从而将离群值和基本 / 非基本状态联系起来,实现了在大型数据集中正确检测离群点的目的。
Apr, 2017
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
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
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
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
提出了一种基于低秩表示 (LRR) 的方法,能高效地、准确地检测异常值和将样本分割到它们所属的正确子空间中;利用 LRR 可恢复样本的行空间来确定子空间成员资格。
Sep, 2011
本文提出了一种利用卷积自编码器将图像转化为线性子空间并进行深度子空间聚类的新方法,通过在编码器和解码器之间插入多个线性层和一个新型的损失函数来提高模型性能。实验结果表明,该方法在多个真实数据集上均显著超越同类方法。
Jan, 2020
我们提出了一种新颖的子空间感知特征重构框架,用于异常定位,通过学习低维子空间的自表达模型实现自适应特征逼近,从而减少内存需求并实现与最先进方法相媲美的异常定位性能。
Sep, 2023
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
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