融合局部与全局图信息的多视图子空间聚类网络
机器学习
2021-03-25 v3
摘要
本研究探讨多视图子空间聚类问题，其目标是探索从不同的领域或测量中收集的数据的潜在分组结构。由于在众多现实应用中数据并不总是符合线性子空间模型，大多数基于浅层线性子空间模型的现有多视图子空间聚类方法在实践中可能失效。此外，现有大多数多视图子空间聚类方法总是忽略多视图数据的底层图信息。为解决上述局限，本文提出了一种新颖的融合局部与全局图信息的多视图子空间聚类网络，称为MSCNLG。具体而言，在多个视图上采用自编码器网络以获得适合线性假设的潜在平滑表示。同时，通过将融合的多视图图信息集成到自表达层中，所提出的MSCNLG获得公共共享的多视图子空间表示，该表示可通过采用标准谱聚类算法得到聚类结果。作为一个端到端可训练框架，所提方法充分挖掘了多视图的有价值信息。在六个基准数据集上的综合实验验证了所提MSCNLG的有效性与优越性。
引用
@article{arxiv.2010.09323,
title = {Multi-view Subspace Clustering Networks with Local and Global Graph Information},
author = {Qinghai Zheng and Jihua Zhu and Yuanyuan Ma and Zhongyu Li and Zhiqiang Tian},
journal= {arXiv preprint arXiv:2010.09323},
year = {2021}
}