超越低秩表示：用于多视图谱聚类的具有优化图结构的正交聚类基重构
计算机视觉与模式识别
2018-03-23 v4
摘要
低秩表示可以说是多视图谱聚类中最强大的范式之一，它将多视图局部图/流形结构优雅地编码为嵌入在高维空间中的内在低秩自表达数据相似性，从而产生比单视图更好的图划分。在本文中，我们以一种根本不同的视角重新审视它，发现 LRR 本质上是一种潜在聚类正交投影表示，并辅以用于谱聚类的优化局部图结构；该表示的每一列从根本上说是一个与其他列正交的聚类基，以指示其成员，这直观地将视图特定的特征投影为由所有正交基张成的表示，以刻画聚类结构。基于这一发现，我们提出了我们的技术，包含以下内容：(1) 我们通过低秩矩阵分解将 LRR 分解为潜在聚类正交表示，以编码比原始数据对象上的 LRR 更灵活的聚类结构；(2) 我们将 LRR 的问题转化为同时为每个视图学习正交聚类表示和优化局部图结构的问题；(3) 学习到的正交聚类表示和局部图结构在多视图中具有相同的大小，从而可以容易地实现理想的多视图共识。在多视图数据集上的实验验证了其优越性。
引用
@article{arxiv.1708.02288,
title = {Beyond Low-Rank Representations: Orthogonal Clustering Basis Reconstruction with Optimized Graph Structure for Multi-view Spectral Clustering},
author = {Yang Wang and Lin Wu},
journal= {arXiv preprint arXiv:1708.02288},
year = {2018}
}
备注
Accepted to appear in Neural Networks, Elsevier, on 9th March 2018