本文提出了一种深度扩展的稀疏子空间聚类方法,称为深层稀疏子空间聚类(DSSC)。通过神经网络的非线性变换,DSSC 不仅满足了 SSC 的稀疏性原则,还同时满足了学习深度特征的单位球分布假设。实验证明 DSSC 在四个真实世界数据集上具有明显优势,是目前为止最好的基于深度学习的子空间聚类方法之一。
Sep, 2017
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
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。
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
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
本文介绍了 DeepCluster,一种聚类方法,它能够联合学习神经网络的参数和聚类分配,并应用于卷积神经网络在大型数据集上的无监督训练,取得了显著的性能提升。
Jul, 2018
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
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
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