越贪心越好：稀疏子空间聚类中每次迭代选取多个近邻
机器学习
2022-04-07 v1
摘要
基于贪婪近邻选取的稀疏子空间聚类（SSC），如正交匹配追踪（OMP），一直是流行的 L1 最小化方法的具有计算效率的替代方案。本文提出一种新的 SSC 方案，使用广义 OMP（GOMP）——OMP 的增强版，每次迭代识别多个近邻，并配一种新的停止准则，该准则仅需知道环境信号维数。与每次迭代识别一个近邻的传统 OMP 相比，所提 GOMP 方法涉及更少迭代，从而享有更低的算法复杂度；有利的是，所提停止准则无需对子空间维数和噪声功率进行离线估计。在半随机模型下，建立了以近邻恢复率为度量的解析性能保证，以证明所提 GOMP 的优势。结果表明，以高概率，GOMP（i）被所提停止准则终止，且（ii）能比 OMP 检索到更多真实近邻，从而产生更高的终数据聚类精度。使用合成数据和真实人脸数据的计算机仿真验证了我们的解析研究，并证明了所提方法的有效性。
引用
@article{arxiv.2204.02572,
title = {Greedier is Better: Selecting Multiple Neighbors per Iteration for Sparse Subspace Clustering},
author = {Jwo-Yuh Wu and Liang-Chi Huang and Wen-Hsuan Li and Chun-Hung Liu and Rung-Hung Gau},
journal= {arXiv preprint arXiv:2204.02572},
year = {2022}
}