基于图变换与优化的三阶段子空间聚类框架
机器学习
2019-05-06 v1 机器学习
摘要
子空间聚类（SC）是指将高维数据聚类为低维子空间并集的问题。基于谱聚类，最先进的方法在两阶段框架内解决 SC 问题。在第一阶段，应用数据表示技术从原始数据中提取亲和矩阵。在第二阶段，将谱聚类直接应用于亲和矩阵，以便将数据分组到不同的子空间中。然而，在第一阶段获得的亲和矩阵通常无法揭示数据点之间的真实关系，这导致了不准确的聚类结果。在本文中，我们提出了一种通用的三阶段子空间聚类框架（3S-SC）。在数据表示和谱聚类之间加入了基于图的变换与优化（GBTO）。在第一阶段获得亲和矩阵后，它在第二阶段经过所提出的 GBTO 处理，生成具有更真实数据点相似性的重构亲和矩阵。在 GBTO 之后应用谱聚类，即为第三阶段。我们通过理论分析验证了带有 GBTO 的 3S-SC 框架。在合成数据以及手写数字和人脸的真实世界数据集上的实验表明，所提出的 3S-SC 框架在提高基于 、、 或核范数正则化的 SC 方法的连通性和准确性方面具有通用性。
引用
@article{arxiv.1905.01145,
title = {Three-Stage Subspace Clustering Framework with Graph-Based Transformation and Optimization},
author = {Shuai Yang and Wenqi Zhu and Yuesheng Zhu},
journal= {arXiv preprint arXiv:1905.01145},
year = {2019}
}