双重噪声最小化的多核聚类
机器学习
2022-07-14 v1 人工智能
摘要
聚类是一种代表性的无监督方法，广泛应用于多模态和多视图场景。多核聚类（MKC）旨在通过整合来自基核的互补信息来分组数据。作为代表，后期融合 MKC 首先将核分解为正交划分矩阵，然后从中学习一个共识矩阵，近年来取得了有前景的性能。然而，这些方法未能考虑划分矩阵内部的噪声，阻碍了聚类性能的进一步提升。我们发现该噪声可拆解为可分离的双重部分，即 N-噪声和 C-噪声（零空间噪声与列空间噪声）。本文中，我们严格定义双重噪声并提出一种通过最小化它们的新颖无参数 MKC 算法。为解决所得的优化问题，我们设计了一种高效的两步迭代策略。据我们所知，这是首次在核空间内研究划分中的双重噪声。我们观察到双重噪声会污染块对角结构并导致聚类性能退化，且 C-噪声比 N-噪声表现出更强的破坏性。由于我们最小化双重噪声的高效机制，所提算法大幅超越了近期方法。
引用
@article{arxiv.2207.06041,
title = {Multiple Kernel Clustering with Dual Noise Minimization},
author = {Junpu Zhang and Liang Li and Siwei Wang and Jiyuan Liu and Yue Liu and Xinwang Liu and En Zhu},
journal= {arXiv preprint arXiv:2207.06041},
year = {2022}
}