基于锚点图的深度多视图子空间聚类
机器学习
2023-05-12 v1
摘要
深度多视图子空间聚类（DMVSC）因其良好的性能近来受到越来越多的关注。然而，现有的 DMVSC 方法仍存在两个问题：（1）它们主要侧重于使用自编码器对数据进行非线性嵌入，而这种嵌入对于聚类可能并非最优，因为自编码器中很少考虑聚类目标；（2）现有方法通常具有二次甚至三次复杂度，难以处理大规模数据。为解决这些问题，本文提出一种新颖的带锚点图的深度多视图子空间聚类方法（DMCAG）。具体而言，DMCAG 首先独立地学习各视图的嵌入特征，并用于获得子空间表示。为显著降低复杂度，我们为每个视图构建一个小尺寸锚点图。然后，在融合的锚点图上执行谱聚类以获得伪标签。为克服次优嵌入特征带来的负面影响，我们利用伪标签来精炼嵌入过程，使其更适用于聚类任务。伪标签与嵌入特征交替更新。此外，我们设计了一种基于对比学习的一致性保持策略以增强聚类性能。在真实世界数据集上的实证研究表明，我们的方法优于其他最先进（SOTA）方法。
引用
@article{arxiv.2305.06939,
title = {Deep Multi-View Subspace Clustering with Anchor Graph},
author = {Chenhang Cui and Yazhou Ren and Jingyu Pu and Xiaorong Pu and Lifang He},
journal= {arXiv preprint arXiv:2305.06939},
year = {2023}
}