使用草图与验证的大规模子空间聚类
机器学习
2015-10-07 v1 计算机视觉与模式识别
机器学习
摘要
当今生成和通信的海量数据对其处理提出了重大挑战。尽管子空间聚类(SC)方法能在多种设定下成功分类非线性可分离对象，但在处理大规模数据时计算复杂度高得令人望而却步。受鲁棒回归的随机采样与一致性(RANSAC)方法启发，本文引入一种针对大规模数据的随机化子空间聚类方案，称为草图与验证(SkeVa-)SC。SkeVa-SC的核心在于利用核平滑方法近似观测数据底层概率密度函数的随机化方案。还利用数据表示中的稀疏性来降低子空间聚类的计算负担，同时保持高聚类精度。性能分析以及在合成与真实数据上的广泛数值测试证实了SkeVa-SC的潜力及其相对于最先进可扩展子空间聚类方法的竞争力。
引用
@article{arxiv.1510.01628,
title = {Large-scale subspace clustering using sketching and validation},
author = {Panagiotis A. Traganitis and Konstantinos Slavakis and Georgios B. Giannakis},
journal= {arXiv preprint arXiv:1510.01628},
year = {2015}
}