基于支持点的在线 $\ell_0$ 弹性网子空间聚类
最优化与控制
2025-12-18 v2
摘要
随着数据流量的指数级增长，在线子空间聚类已成为处理动态数据流的一种有效工具。然而，现有的在线子空间聚类方法往往因依赖刚性字典学习机制，难以捕捉此类数据复杂且不断演变的分布。本文通过融合 范数与 Frobenius 范数，提出了一种新颖的 弹性网子空间聚类模型，该模型具有理想的块对角性质。为应对在线数据中不断演变的数据分布所带来的挑战，我们设计了一种快速的在线交替方向乘子法，并采用一种基于支持点的创新字典更新策略，其中支持点是一组用于捕捉数据底层分布的数据点。通过根据支持点选择性地更新字典原子，所提方法能够动态适应不断演变的数据特征，从而增强适应性和计算效率。此外，我们严格证明了该算法的收敛性。最后，大量数值实验表明，所提方法提高了聚类性能和计算效率，非常适合实时和大规模数据处理任务。
关键词
引用
@article{arxiv.2412.07335,
title = {Fast Online $L_0$ Elastic Net Subspace Clustering via A Novel Dictionary Update Strategy},
author = {Wentao Qu and Lingchen Kong and Linglong Kong and Bei Jiang},
journal= {arXiv preprint arXiv:2412.07335},
year = {2025}
}