面向多视图谱聚类的本质张量学习
计算机视觉与模式识别
2019-10-02 v2
摘要
多视图聚类近来备受关注，其旨在利用多视图信息提升聚类性能。然而，近期工作多聚焦于基于自表示的子空间聚类，计算复杂度高。本文关注基于马尔可夫链的谱聚类方法，提出一种新颖的本质张量学习方法以挖掘多视图表示的高阶相关性。我们首先基于马尔可夫链的多视图转移概率矩阵构造张量。通过引入鲁棒主成分分析的思想，施加基于张量奇异值分解（t-SVD）的张量核范数以保持本质张量的低秩性，从而能很好地捕获多视图的主成分信息。我们还为此任务采用张量旋转算子，以更好地探究视图间关系并降低计算复杂度。所提方法可由交替方向乘子法（ADMM）高效优化。在对应五种不同应用的六个真实世界数据集上的大量实验表明，我们的方法优于其他最先进的方法。
引用
@article{arxiv.1807.03602,
title = {Essential Tensor Learning for Multi-view Spectral Clustering},
author = {Jianlong Wu and Zhouchen Lin and Hongbin Zha},
journal= {arXiv preprint arXiv:1807.03602},
year = {2019}
}
备注
Accepted by IEEE Transactions on Image Processing