论文阅读笔记：Low-Rank Tensor Graph Learning for Multi-view Subspace Clustering(LRTG)

@[TOC](Low-Rank Tensor Graph Learning for Multi-view Subspace Clustering(LRTG))

★论文笔记-Low-Rank Tensor Graph Learning for Multi-view Subspace Clustering(LRRG)

文章链接：https://www.researchgate.net/publication/349011448_Low-Rank_Tensor_Graph_Learning_for_Multi-view_Subspace_Clustering
作者：Yongyong Chen, Xiaolin Xiao, Chong Peng, Guangming Lu, and Yicong Zhou, Senior Member, IEEE,

摘要：图和子空间聚类方法以其良好的性能成为多视图聚类的主流。然而，（1）由于图聚类方法直接从原始数据中学习图，当原始数据被噪声和异常值扭曲时，其性能可能会严重降低；（2） 子空间聚类方法使用“两步”策略独立地学习表示矩阵和亲和矩阵，因此可能无法探索它们的高度相关性。为了解决这些问题，我们提出了一种新的多视图聚类方法，通过学习低秩张量图（LRTG）。与子空间聚类方法不同，LRTG在一步中同时学习表示矩阵和亲和矩阵，以保持它们的相关性。我们将Tucker分解和l2,1-范数应用于LRTG模型，以减少噪声和异常值，从而学习“干净”表示。LRTG然后从这个“干净”表示中学习亲和矩阵。此外，还提出了一种自适应邻域方案，以找到亲和矩阵的K个最大项，从而形成一个灵活的聚类图。

引言

子空间聚类已成为发现高维数据底层结构的重要工具[1]。它的目的是同时将数据点分组到其基本簇中，并找到低维子空间表示[1–4]。为了得到具有块对角性质的表示矩阵，许多工作考虑了不同的正则化子，如稀疏度[5]、低rankness[6]、平滑表示[7]、平滑表示[3]、平滑表示[3]，和块对角表示[8]，假设高维数据可以建模为从多个低维子空间并集提取的样本。

为了将现有的单视图子空间聚类方法扩展到多视图环境中，我们探索了两种常见的方案：（1）学习所有视图共享的公共潜在空间，以探索一致性；（2） 引入低秩张量约束来捕获多个视图之间的高阶相关性。

总之，在自我表达性假设下，大多数现有的MVSC方法遵循“两步”策略，即**首先探索不同的正则化器对表示矩阵施加特定的结构约束，然后通过学习的表示矩阵构建图。**因此，学习的亲和矩阵可能是次优的，并且难以捕获所有数据点之间的真实关系。

为了克服上述局限性，我们提出了一种用于多视图子空间聚类的低秩张量图（LRTG）。LRTG的主要思想是从“干净”表示张量中学习自适应亲和矩阵，而不是从受污染的原始数据中学习。通过Tucker分解，表示张量具有低秩性质。

工作总结

1. 我们提出LRTG作为一个统一的模型来学习多视图子空间聚类的低秩张量图。LRTG能够在一个步骤中同时学习表示和亲和矩阵。它还对噪声和异常值具有鲁棒性
2. 我们对LRTG模型使用Tucker分解和l2,1-范数，分别探索低秩特性和去除噪声和异常值。然后获得一个“干净”表示来学习亲和矩阵。
3. 针对LRTG模型提出了一种自适应邻域方案，以找到亲和矩阵的K个最大项，然后获得一个灵活的聚类图。

相关工作

1. 多视图图聚类

   多视图图聚类方法直接利用原始数据构造亲和矩阵。例如，k-最近邻[34]使用余弦或热核距离来度量相似性。…

2. 多视图子空间聚类

   受高维数据通常位于几个低维子空间的并集这一事实的启发，子空间聚类是将数据点同时聚类到多个子空间中，并找到一个低维子空间来适合每个组[6,37]。表示矩阵Z通常可以从以下方面学习：

   

   其中X是特征矩阵，E表示噪声。L-范数对于不同类型的噪声是特定的。主要区别在于不同的正则化器R。SSC[5]使用l1-范数（$R（Z）=||Z|{|}_1$），而LRR使用核范数（$R（Z）=||Z|{|}_{\ast }$）。…

3. Tucker Decomposition 塔克分解