面向多视图谱聚类的定制张量低秩表示
机器学习
2020-08-04 v2 计算机视觉与模式识别
机器学习
摘要
本文探讨了基于张量低秩建模的多视图谱聚类（MVSC）问题。不同于现有方法均采用现成张量低秩范数而未考虑 MVSC 中张量的特殊性质，我们设计了一种针对 MVSC 的新型结构化张量低秩范数。具体而言，我们显式地对张量的正面切片与水平切片分别施加对称低秩约束与结构化稀疏低秩约束，以刻画视图内与视图间关系。此外，这两种约束可联合优化以实现相互精炼。基于该新型张量低秩范数，我们将 MVSC 表述为一个凸低秩张量恢复问题，并采用基于增广拉格朗日乘子的方法迭代高效求解。在五个基准数据集上的大量实验表明，所提方法显著优于当前最优方法。令人印象深刻的是，我们的方法能够产生完美聚类。此外，我们的方法参数易于调节，且所提模型对不同数据集具有鲁棒性，展现了其实际应用潜力。
引用
@article{arxiv.2004.14705,
title = {Multi-View Spectral Clustering Tailored Tensor Low-Rank Representation},
author = {Yuheng Jia and Hui Liu and Junhui Hou and Sam Kwong and Qingfu Zhang},
journal= {arXiv preprint arXiv:2004.14705},
year = {2020}
}