基于有序加权 $\ell_1$ 回归的可扩展稀疏子空间聚类
机器学习
2018-07-11 v1 机器学习
摘要
本文的主要贡献是一种新的子空间聚类方法，其计算效率与可扩展性显著优于现有的最优方法。核心思想是通过将稀疏子空间聚类（SSC）中的回归技术加以改进，用一种称为有序加权 （OWL）最小化的推广方法替代 最小化，该方法可对相关变量同时进行回归与聚类。利用随机几何图理论，我们证明 OWL 回归在每个子空间内选取更多的点，从而获得更好的聚类结果。这使得仅基于总数据集的一小部分回归解即可实现准确的子空间聚类，与 SSC 相比显著降低了计算复杂度。在实验中，我们发现对于合成问题，OWL 方法可实现 20 至 30 的加速，对于真实数据问题可实现 4 至 8 的加速。
引用
@article{arxiv.1807.03746,
title = {Scalable Sparse Subspace Clustering via Ordered Weighted $\ell_1$ Regression},
author = {Urvashi Oswal and Robert Nowak},
journal= {arXiv preprint arXiv:1807.03746},
year = {2018}
}