探索深度子空间聚类的原则框架
计算与语言
2025-09-23 v6
摘要
子空间聚类是经典的无监督学习任务，基于高维数据可由子空间联合(UoS)近似的基本假设。然而，现实数据常偏离UoS假设。为解决这一挑战，最先进的深度子空间聚类算法试图联合学习UoS表示和自表达系数。然而，现有算法的通用框架存在严重的特征坍塌，缺乏学习所需UoS表示的理论保证。本文提出Principled fRamewOrk for Deep Subspace Clustering (PRO-DSC)，旨在统一学习结构化表示和自表达系数。具体而言，在PRO-DSC中，我们将对所学习表示的有效正则化纳入自表达模型中，证明该正则化自表达模型可防止特征空间坍塌，并展示在特定条件下，所学习的最优表示位于正交子空间的联合上。此外，我们提供一种可扩展且高效的实现PRO-DSC的方法，进行大量实验以验证理论发现并展示我们提出的深度子空间聚类方法的优越性能。代码已公开https://github.com/mengxianghan123/PRO-DSC。
引用
@article{arxiv.2503.17287,
title = {FastCuRL: Curriculum Reinforcement Learning with Stage-wise Context Scaling for Efficient Training R1-like Reasoning Models},
author = {Mingyang Song and Mao Zheng and Zheng Li and Wenjie Yang and Xuan Luo and Yue Pan and Feng Zhang},
journal= {arXiv preprint arXiv:2503.17287},
year = {2025}
}
备注
Accepted by EMNLP 2025