增强型潜在多视图子空间聚类
机器学习
2024-08-28 v2
摘要
潜在多视图子空间聚类已被证明具有良好的聚类性能。然而，原始的潜在表示方法将多个视图的数据矩阵沿维度方向垂直拼接成一个单一矩阵以恢复潜在表示矩阵，这可能导致信息恢复不完整。为了完全恢复潜在空间表示，本文提出了一种增强型潜在多视图子空间聚类（ELMSC）方法。ELMSC方法涉及构建一个增强数据矩阵，以增强多视图数据的表示。具体来说，我们将来自不同视图的数据矩阵堆叠到增强矩阵的块对角位置，以利用互补信息。同时，基于不同视图之间的相似性构成非块对角条目，以捕获一致性信息。此外，我们对增强自表示矩阵的非对角块施加稀疏正则化，以避免一致性信息的冗余计算。最后，基于交替方向乘子法（ADMM）框架开发了一种新颖的迭代算法来求解ELMSC的优化问题。在真实世界数据集上的大量实验表明，我们提出的ELMSC能够比一些最先进的多视图聚类方法实现更高的聚类性能。
引用
@article{arxiv.2312.14763,
title = {Enhanced Latent Multi-view Subspace Clustering},
author = {Long Shi and Lei Cao and Jun Wang and Badong Chen},
journal= {arXiv preprint arXiv:2312.14763},
year = {2024}
}