用于聚类的自动加权低秩表示
机器学习
2021-04-27 v1
摘要
本文提出一种新颖的无监督低秩表示模型，即自动加权低秩表示（ALRR），以构建更有利于聚类的相似图（SG）。具体而言，ALRR通过同时捕获多子空间结构和提取显著特征来增强SG的可分性。具体地，引入自动加权惩罚，通过突出有效特征并同时掩盖受扰特征来学习相似图。因此，ALRR通过对两个不相似样本施加较小的相似度，获得能够保持数据内在几何结构的相似图。此外，我们采用块对角正则化器以保证所学图包含个对角块。这有利于促进针对聚类任务更具判别性的表示学习。在合成与真实数据库上的大量实验结果证明了ALRR相较于其他最先进（SOTA）方法的优越性，优势幅度为1.8%∼10.8%。
引用
@article{arxiv.2104.12308,
title = {Auto-weighted low-rank representation for clustering},
author = {Zhiqiang Fu and Yao Zhao and Dongxia Chang and Xingxing Zhang and Yiming Wang},
journal= {arXiv preprint arXiv:2104.12308},
year = {2021}
}