针对受损与不完整数据的子空间聚类快速贪心算法
机器学习
2013-06-10 v1 数据结构与算法
数值分析
机器学习
摘要
我们提出了快速贪心稀疏子空间聚类（FGSSC）算法，该方法能高效地对属于少数低维线性或仿射子空间的数据进行聚类。与现有方法相比，本算法的主要优势在于能够处理含有高比例擦除（已知坐标的缺失项）和错误（未知坐标的受损项）的噪声数据。本文讨论了如何将贪心策略融入基础算法的迭代中，以实现贪心算法快速版本的最大效率。数值证据表明，在子空间聚类能力方面，该快速贪心算法不仅优于作者作为基础算法采用的现有最先进（state-of-the-art）SSC 算法，也优于近期的 GSSC 算法。同时，其计算成本仅略高于 SSC 算法。我们在若干合成模型以及 Extended Yale B 人脸图像数据集上展示了该算法的显著优势。特别是，其人脸识别误分类率比 SSC 算法低 6 至 20 倍。我们还提供了数值证据，证明即使子空间维度之和显著超过环境空间维度，FGSSC 算法仍能有效地对受损数据进行聚类。
引用
@article{arxiv.1306.1716,
title = {Fast greedy algorithm for subspace clustering from corrupted and incomplete data},
author = {Alexander Petukhov and Inna Kozlov},
journal= {arXiv preprint arXiv:1306.1716},
year = {2013}
}
备注
arXiv admin note: substantial text overlap with arXiv:1304.4282