柔性自加权局部坐标概念分解：一种用于无监督聚类的鲁棒框架
计算机视觉与模式识别
2019-09-04 v1 机器学习
机器学习
摘要
概念分解（CF）及其变体可能因对噪声敏感、对重构误差的硬约束以及预先获得的近似相似性而产生不准确的表示与聚类结果。为提升表示能力，提出一种新颖的无监督鲁棒柔性自加权局部坐标概念分解（RFA-LCF）框架用于高维数据聚类。具体而言，RFA-LCF 将鲁棒柔性 CF、干净数据空间恢复、鲁棒稀疏局部坐标编码与自适应加权整合为统一模型。RFA-LCF 通过增强 CF 对噪声与误差的鲁棒性、提供对重构误差的柔性约束并联合优化局部性来改进表示。对于鲁棒学习，RFA-LCF 明确学习一个稀疏投影以恢复底层干净数据空间，随后在该投影特征空间中执行柔性 CF。RFA-LCF 还使用基于 L2,1-范数的柔性残差来编码恢复数据与其重构之间的失配，并使用鲁棒稀疏局部坐标编码以少量邻近基概念表示数据。对于自加权，RFA-LCF 通过在干净数据、锚点与坐标上最小化重构误差，以自适应方式联合保留基概念空间与新坐标空间中的流形结构。通过交替更新局部坐标保留数据、基概念与新坐标，表示能力可望提升。在公开数据库上的广泛结果表明，相较于其他相关方法，RFA-LCF 取得了最先进的聚类结果。
引用
@article{arxiv.1909.00523,
title = {Flexible Auto-weighted Local-coordinate Concept Factorization: A Robust Framework for Unsupervised Clustering},
author = {Zhao Zhang and Yan Zhang and Sheng Li and Guangcan Liu and Dan Zeng and Shuicheng Yan and Meng Wang},
journal= {arXiv preprint arXiv:1909.00523},
year = {2019}
}
备注
Accepted by IEEE Transactions on Knowledge and Data Engineering (IEEE TKDE)