用于离群点检测的级联子空间聚类
计算机视觉与模式识别
2023-06-26 v1 机器学习
摘要
许多基于稀疏与低秩表示的方法已被提出，并带有正确离群点检测的理论保证。自表示表明，子空间中的点总可表示为该子空间中其他点的线性组合。可在自表示上定义合适的马尔可夫链，从而识别内点与离群点之间的差异。然而，自表示的重构误差仍对离群点检测具有信息性，却常被忽视。受梯度提升启发，本文提出一种新的离群点检测框架，通过构建多遍自表示，以迭代方式将一系列弱“离群点检测器”组合为单一强检测器。在每一阶段，我们基于弹性网络构建自表示，并定义其上的合适马尔可夫链以检测离群点。自表示的残差用于下一阶段学习下一个更弱的离群点检测器。此阶段重复多次。最终离群点判定由先前所有结果生成。在图像与说话人数据集上的实验结果证明了其相对于最先进稀疏与低秩离群点检测方法的优越性。
引用
@article{arxiv.2306.13500,
title = {Cascade Subspace Clustering for Outlier Detection},
author = {Qi Yang and Hao Zhu},
journal= {arXiv preprint arXiv:2306.13500},
year = {2023}
}
备注
arXiv admin note: text overlap with arXiv:1704.03925 by other authors