掩码子空间聚类方法
机器学习
2025-05-13 v1 最优化与控制
摘要
为充分利用无监督特征和成对信息，我们提出了一种通用的双层聚类优化（BCO）框架以提升聚类性能。然后我们引入了子空间聚类的三种特殊情况，采用两种不同类型的掩码。首先，我们将原始子空间聚类重新表述为基本掩码子空间聚类（BMSC），将对角约束重新表述为硬掩码。然后，我们提供了一种通用掩码子空间聚类（GMSC）方法，通过软掩码整合不同的聚类。此外，基于BCO和GMSC，我们推导出一个可学习的软掩码，并设计了一种递归掩码子空间聚类（RMSC）方法，该方法可以交替更新亲和矩阵和软掩码。数值实验表明，我们的模型在MNIST、USPS、ORL、COIL20和COIL100等多个常用数据集上相比基线方法取得了显著提升。
引用
@article{arxiv.2505.06863,
title = {Masked Subspace Clustering Methods},
author = {Jiebo Song and Huaming Ling},
journal= {arXiv preprint arXiv:2505.06863},
year = {2025}
}