面向多视图子空间聚类的自适应拓扑张量网络
计算机视觉与模式识别
2023-05-02 v1
摘要
多视图子空间聚类方法利用从不同张量分解中学习到的自表示张量来挖掘低秩信息。然而，嵌入自表示张量的数据结构在不同多视图数据集中可能有所差异。因此，预定义的张量分解可能无法充分挖掘特定数据集的低秩信息，导致次优的多视图聚类性能。为缓解上述局限，我们提出自适应拓扑张量网络（ATTN），通过自表示张量的结构信息确定边秩，并能够以数据驱动的策略给出更好的张量表示。具体而言，在多视图张量聚类中，我们分析自表示张量各模态间的高阶相关性，并从全连接张量网络中剪枝弱相关连接。因此，新获得的张量网络能够针对各种数据集以不同的张量结构高效探索自表示的本质聚类信息。进一步采用贪心自适应增秩策略以提升对低秩结构的捕获能力。我们将 ATTN 应用于多视图子空间聚类，并利用交替方向乘子法求解。实验结果表明，基于 ATTN 的多视图子空间聚类在六个多视图数据集上优于同类方法。
引用
@article{arxiv.2305.00716,
title = {Adaptively Topological Tensor Network for Multi-view Subspace Clustering},
author = {Yipeng Liu and Yingcong Lu and Weiting Ou and Zhen Long and Ce Zhu},
journal= {arXiv preprint arXiv:2305.00716},
year = {2023}
}