S^2MVTC：一种简单高效的-scalable多视图张量聚类
机器学习
2024-04-12 v2 计算机视觉与模式识别
摘要
基于锚点的大规模多视图聚类因其在处理海量数据集方面的有效性而引起了广泛关注。然而，当前的方法主要通过探索锚点图或投影矩阵之间的全局相关性来寻求用于聚类的共识嵌入特征。在本文中，我们提出了一种简单高效的-scalable多视图张量聚类 (S^2MVTC) 方法，其中我们的重点是学习视图内和跨视图的嵌入特征相关性。具体而言，我们首先通过将不同视图的嵌入特征堆叠成一个张量并旋转它来构建嵌入特征张量。此外，我们构建了一个新颖的张量低频近似 (TLFA) 算子，它将图相似性纳入嵌入特征学习，高效地实现了不同视图内嵌入特征的平滑表示。进一步地，对嵌入特征应用共识约束以确保视图间语义一致性。在六个大规模多视图数据集上的实验结果表明，S^2MVTC 在聚类性能和 CPU 执行时间方面均显著优于 SOTA 算法，尤其是在处理海量数据时。S^2MVTC 的代码已在 https://github.com/longzhen520/S2MVTC 上公开。
引用
@article{arxiv.2403.09107,
title = {S^2MVTC: a Simple yet Efficient Scalable Multi-View Tensor Clustering},
author = {Zhen Long and Qiyuan Wang and Yazhou Ren and Yipeng Liu and Ce Zhu},
journal= {arXiv preprint arXiv:2403.09107},
year = {2024}
}
备注
Accepted by CVPR2024