矩阵低秩张量分解_基于联合图和低秩张量学习的多视角聚类算法

最新推荐文章于 2024-07-13 15:47:45 发布

Boring Monkey

最新推荐文章于 2024-07-13 15:47:45 发布

阅读量1.3k

点赞数 2

文章标签：矩阵低秩张量分解

本文链接：https://blog.csdn.net/weixin_42321075/article/details/112701067

版权

本文提出了一种基于联合图和低秩张量学习的多视角聚类算法，利用张量奇异值分解定义张量核范数，通过优化投影矩阵和张量来改进聚类性能。实验表明，该方法能有效提升多视角聚类的效果。

摘要由CSDN通过智能技术生成

本文作者：吴建龙、谢星宇、聂礼强、林宙辰、査红彬

本文Unified Graph and Low-rank Tensor Learning for Multi-view Clustering近期被计算机视觉顶级会议AAAI Conference on Artificial Intelligence (AAAI 2020) 接收。

引言

聚类是机器学习中的一项重要的研究课题。尤其是随着互联网的发展，我们每天都可以收集大量的未标注的数据，而人工标注的话将耗费大量的财力物力。为了充分利用这些未标注的数据，无监督聚类近期受到研究者的广泛关注，其通过探究样本间的特征相关性，基于一些相似性准则将数据分为不同的类别。对于单视角聚类而言，谱聚类、稀疏子空间聚类(SSC)以及低秩表示学习(LRR)等方法实现了很好的结果。在实际中，我们可以获取不同模态或者不同特征空间的数据表示，例如同一个物体可以用文本、图像以及视频进行描述，同时对于每种模态，我们也可以提出多种不同的特征进行表示。为了充分利用不同视角下的信息来提高聚类性能，多视角学习受到了较多的关注，许多多视角聚类方法也应运而生。鉴于稀疏子空间聚类和低秩表示方法受到了广泛的欢迎，许多基于自表示的多视角子空间聚类方法被相继提出。这些方法达到了非常好的性能，但其主要侧重于子空间学习并且具有很高的计算复杂度。另一个重要的问题是这些方法大多针对成对的矩阵探究视角间的相关性，而从张量层面探究多视角间高阶相关性则更自然和有效。邻接矩阵的构建是聚类算法中的关键一步。基于子空间学习的方法均基于自表示的方式构建邻接矩阵，其具有较高的计算复杂度。而基于谱聚类的算法中邻接矩阵的构建和聚类的优化是分离的，导致学到的聚类结果是次优的。为了解决此问题，我们提出了一种联合图学习和低秩张量表示的算法。具体地，我们首先学习视角相关的投影矩阵将原始空间中的多视角特征投影至低维空间。其次我们基于投影后空间中样本间的距离学习对应的相似度，构建视角相关的邻接矩阵。然后将不同视角的邻接矩阵组合到一起构成三阶张量，基于低秩张量逼近的方式学习最优的表示。最后我们将以上目标组合到一起，联合学习最优的投影矩阵、邻接矩阵和低秩张量。算法的示意图如图1所示。