数据自适应低秩稀疏子空间聚类
机器学习
2025-02-17 v1
摘要
基于自表达模型构建的低秩稀疏子空间聚类（LRSSC）算法有效捕捉数据的全局与局部结构。然而，现有方法主要基于与 Sp/Lp 范数相关的proximal算子（其中 p ∈ {0, 1/2, 2/3, 1}），且缺乏数据自适应性。本文提出一种 Incorporating 数据自适应准则用于 S0/L0 准则的 LRSSC 算法。我们在解析解不可得时，提供了相应 proximal 算子的数值解法。该方法在 proximal 映射框架内构建，并证明其收敛于平稳点。我们在三个公认的数据集上评估了所提方法，并与受 Sp/Lp 范数约束的 LRSSC 算法进行比较（其中 p ∈ {0, 1/2, 2/3, 1}）。
引用
@article{arxiv.2502.10106,
title = {Data-Adaptive Low-Rank Sparse Subspace Clustering},
author = {Ivica Kopriva},
journal= {arXiv preprint arXiv:2502.10106},
year = {2025}
}
备注
5 pages, 1 figure, 1 table