伪监督深度子空间聚类

基于自编码器（AE）的深度子空间聚类（DSC）方法利用深度神经网络提取的强大表征并优先考虑类别可分性，取得了令人印象深刻的性能。然而，AE 的自重建损失忽略了丰富的有用关系信息，并可能导致缺乏判别性的表征，从而不可避免地降低聚类性能。在没有输入语义标签的情况下学习高层相似性也是一项挑战。DSC 面临的另一个未解决的问题是由于自表达层位于编码器和解码器之间所产生的 $n\times n$ 相似性矩阵带来的巨大内存开销。为解决这些问题，我们利用成对相似性对重建损失进行加权以捕获局部结构信息，同时相似性由自表达层学习。进一步采用伪图与伪标签，以利用网络训练过程中获得的不确定知识来监督相似性学习。联合学习与迭代训练有助于获得整体最优解。在基准数据集上的大量实验证明了我们方法的优越性。结合 $k$ 近邻算法，我们进一步表明我们的方法能够处理大规模与样本外问题。