学习一种用于子空间聚类的自表达网络

最先进的子空间聚类方法基于自表达模型，该模型将每个数据点表示为其他数据点的线性组合。然而，此类方法针对有限样本数据集设计，缺乏泛化到样本外数据的能力。此外，由于自表达系数的数量随数据点数量呈二次增长，它们处理大规模数据集的能力常常受限。本文中，我们提出一种用于子空间聚类的新型框架，称为自表达网络（SENet），其采用恰当设计的神经网络来学习数据的自表达表示。我们表明我们的 SENet 不仅能在训练数据上学习具有所需性质的自表达系数，还能处理样本外数据。此外，我们表明 SENet 也可被用于大规模数据集上的子空间聚类。在合成数据与真实世界基准数据上开展的广泛实验验证了所提方法的有效性。特别地，SENet 在 MNIST、Fashion MNIST 与 Extended MNIST 上取得了极具竞争力的性能，并在 CIFAR-10 上取得了最先进的性能。代码可见于 https://github.com/zhangsz1998/Self-Expressive-Network。