用于图上无监督数据标记的自指派流

本文将最近提出的用于监督图像标记的指派流方法扩展至无标签给出的无监督场景。所得自指派流以成对数据亲和矩阵作为输入数据，并与由指派流变量参数化的低秩矩阵最大化相关性，这通过潜标签（特征原型）的形成实现了数据到自身的指派。单一用户参数——用于指派几何正则化的邻域大小——驱动整个过程。通过在正定矩阵流形上自指派矩阵的不同归一化之间进行光滑测地插值，定义了一族单参数自指派流。相应地，我们的方法可从不同视角刻画，例如作为执行空间正则化、秩约束的离散最优传输，或作为计算空间正则化的归一化谱割。在组合优化方面，我们的方法在大规模场景下成功确定了受空间正则化的自指派的完全正分解。包括利用局部不变距离函数无监督学习块字典在内的各类实验，阐明了该方法的性质。