利用子空间并结构改进约束聚类

计算机视觉及其他语境中的许多聚类问题同时也是分类问题，其中每个聚类共享一个有意义的标签。子空间聚类算法特别常用于符合此描述的问题，例如人脸图像或手写数字。虽然在这些数据集上请求人工输入很简单，但我们的目标是尽可能减少这种输入。我们提出了一种成对约束聚类算法，该算法基于子空间并模型主动选择查询。算法的核心步骤是查询估计子空间之间最小边界的点；类似于分类器边界，这些点位于决策边界附近。我们证明了位于子空间交点附近的点具有低边界。我们的过程可用于任何输出亲和矩阵的子空间聚类算法之后。我们在多个数据集上的演示表明，对于具有子空间结构的数据集，我们的算法比最先进的主动查询算法能更快地大幅降低聚类误差，并在其他数据集上具有竞争力。