- ICLR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。
- ECCV基于自表示的子空间并集的无监督样本选择
该论文提出了一种新的代表选择模型,它旨在寻找最能够重构所有数据点的子集,并介绍了一种较高效的算法 ——farthest first search,以从一个独立子空间的并集中选择足够多的代表,并进一步开发了一种以代表为基础的子空间聚类方法。
- ICCV区间子空间聚类是否需要仿射约束?
本文理论和实验相结合的方法表明,在嵌入空间的维度高于仿射子空间维度之和的情况下,仿射约束对聚类性能的影响可以忽略不计。
- CVPR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。
- 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 - CVPR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 - 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。
- 将大数据转化为小数据:k 均值、主成分分析和投影聚类的常量大小核心集
本研究提出一种称为 coresets 的降维方法,可用于在高维欧几里得空间中降低大量数据点的大小,适用于多种数据分析技术,包括 k-means 聚类、主成分分析和子空间聚类,并允许流式处理或分布式算法,其大小与输入点的数量和维度无关。
- 基于权重随机块模型的超图谱聚类
探索仅具有多向相似性度量的多向测量设置,开发两种算法:Hypergraph Spectral Clustering(HSC)和 Hypergraph Spectral Clustering with Local Refinement(HSC - 基于块对角表示的子空间聚类
该论文提出了一种基于块对角正则化器的直接求解块对角矩阵的非凸模型,通过使用块对角结构先验来解决子空间聚类问题,并通过实验验证了其有效性。
- 具有辅助信息的约束稀疏子空间聚类
本文提出了一种增强的受限高维子空间聚类方法,称为带约束稀疏子空间聚类加(CSSC +),该方法利用部分辅助信息不仅在学习相似度矩阵阶段而且在谱聚类阶段中使用,同时基于部分辅助信息提出了聚类准确性估计的算法,并在三个癌症基因表达数据集上进行了 - 探索卷积神经网络压缩中特征图子空间的线性关系
本研究提出一个基于子空间聚类的卷积神经网络剪枝方法,通过寻找不同特征子空间中的线性关系来消除卷积滤波器中的冗余信息,从而对卷积神经网络实现压缩和加速的目的。经过实验验证,该方法在绝大部分现有方法之前,在微调后实现了最先进的结果。
- 一种非线性正交非负矩阵分解方法用于子空间聚类
通过非负矩阵分解和谱聚类方法,在非线性正交 NMF 框架中提出了两种基于核的子空间聚类算法,并引入图形正则化以获得满足数据局部几何结构的分解,其聚类性能显著优于最新的一些方法。
- 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 - 手绘子空间聚类
本文介绍了一种随机化方案,名为 Sketch-SC,它是一种针对高维大容量数据的 SC 的加速计算方法,通过使用随机投影来压缩数据矩阵以实现快速而准确的大规模 SC。在实际数据上的性能分析及广泛的数值测试证实了 Sketch-SC 的潜力和 - 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 - 基于匹配追踪的嘈杂子空间聚类
本文研究 SSP-OMP 和 SSP-MP 两种算法在噪声数据情况下的表现,证明其能够在子空间相交且受到严重噪声污染数据的情况下成功进行聚类,并可以自动检测数据子空间的维度。SSP-MP 在比较聚类性能和运行时间方面表现非常优异。
- ICML噪声稀疏子空间聚类在降维数据上的理论分析
本文研究稀疏子空间聚类 (SSC) 算法在降维数据上的理论性质,包括确定性模型和多种降维技术,并将该分析应用于隐私保护算法中,同时确保方法的隐私性和效用性。
- 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 - 多体非刚性结构运动
利用子空间聚类的方法,本文首次提出了一个针对多体非刚性 SFM 的有效框架,能够同时将每个 3D 轨迹重建和分段到其各自的低维子空间中,并通过对合成和真实数据序列进行广泛实验验证其功效,明显优于其他替代方法。