面向多视图子空间聚类的快速可扩展半监督学习
机器学习
2024-08-13 v1
摘要
本文提出了一种快速可扩展的半监督多视图子空间聚类（FSSMSC）方法，作为解决现有方法中常见高计算复杂度问题的新方案。FSSMSC 具有相对于数据规模的线性和空间复杂度。该方法在所有视图上生成共识锚点图，将每个数据点表示为所选锚点的稀疏线性组合。与传统方法分别管理锚点图构建和标签传播过程不同，本文提出了一种统一优化模型，促进两者的同时学习。提出了一种有效的交替更新算法并附有收敛性保证来求解该统一优化模型。此外，该方法利用获得的锚点图和锚点的低维表示来推导原始数据的低维表示。随后，在这些低维表示上执行简单的聚类方法以获得最终的聚类结果。FSSMSC 的有效性和效率通过在多个不同规模的基准数据集上的广泛实验得到了验证。
引用
@article{arxiv.2408.05707,
title = {Fast and Scalable Semi-Supervised Learning for Multi-View Subspace Clustering},
author = {Huaming Ling and Chenglong Bao and Jiebo Song and Zuoqiang Shi},
journal= {arXiv preprint arXiv:2408.05707},
year = {2024}
}
备注
40 pages,7 figures