这里写自定义目录标题
稀疏子空间聚类
在本节中,我们介绍稀疏子空间聚类(SSC)算法,该算法用于使用稀疏表示技术对从子空间的并集得出的点进行聚类。 SSC算法分两个步骤解决子空间聚类问题:第一步,对于每个数据点,我们找到属于同一子空间的其他一些点。为此,我们解决了一个全局稀疏优化程序,该程序的解决方案将有关数据点成员资格的信息编码到每个点的基础子空间。在第二步中,我们在谱聚类框架中使用此信息来推断数据的聚类。
我们首先在数据未损坏的情况下引入SSC,并推导稀疏表示保留子空间的条件。这样的条件之一就是子空间是独立的,这与LRSC要求的条件相同。但是,我们将证明SSC能够在更宽泛的条件下恢复保留子空间的表示形式,而这些条件不需要独立性,这些条件要求子空间要充分分离,并且数据必须在子空间内很好地分布。此外,当子空间是随机绘制的,而数据点是在子空间内部随机绘制的时,我们证明SSC给出了一个具有压倒性概率的保留子空间的表示。然后,我们将SSC扩展到被噪声,离群值或严重错误破坏的数据,并证明可以推导出SSC正确性的相似理论条件。总的来说,我们将看到SSC可以比LRSC在更广泛的条件下应用,但是缺点是解决方案无法再以封闭形式进行计算。