【文献阅读笔记】【标题：Low-rank representation with adaptive dictionary learning for subspace clustering】

标题：Low-rank representation with adaptive dictionary learning for subspace clustering

期刊 + 时间 + 有无源代码： KBS + 2021 + 应该有（没收集）

作者： Jie Chen, Hua Mao , Zhu Wang, Xinpei Zhang

方法名及缩写： ALRR

算法框架：

流程图 ：

主要创新点： 在LRR的基础上加入自适应字典

动机： 子空间聚类的关键挑战是如何有效地度量数据样本之间的相似性

目标函数：
$$\begin{array}{rl}& \underset{\mathbf{Z},\mathbf{P}}{\min }{\Vert \mathbf{Z}\Vert }_{\ast }+\frac{\lambda }{2}{\Vert {\mathbf{P}}^{\mathbf{T}}\mathbf{X}-{\mathbf{P}}^{\mathbf{T}}\mathbf{XZ}\Vert }_F^2\\ s.t.& {\mathbf{P}}^T\mathbf{X}{\mathbf{X}}^T\mathbf{P}={\mathbf{I}}_d.\end{array}$$
优化步骤：

Update Z （有定理可证明）核范数 + F范数优化
$$\underset{\mathbf{z}}{\min }{\Vert \mathbf{Z}\Vert }_{\ast }+\frac{\lambda }{2}{\Vert {\mathbf{P}}^T\mathbf{X}-{\mathbf{P}}^T\mathbf{XZ}\Vert }_F^2.$$
Update P （有定理可证明）
$$\begin{gathered} \underset{\mathbf{P}}{\min }{\Vert {\mathbf{P}}^{\mathbf{T}}\mathbf{X}-{\mathbf{P}}^{\mathbf{T}}\mathbf{XZ}\Vert }_F^2 \\ s.t.{\mathbf{P}}^T\mathbf{X}{\mathbf{X}}^T\mathbf{P}={\mathbf{I}}_d \end{gathered}$$
注解：（优缺点 + 随便想记的内容 ）

创新点很小，但是工作很足： 实验部分做的很多

1、分别对比了人脸，图片，手写数字数据集

2、自定义clusters number进行实验

3、鲁棒性实验，加入噪声实验

4、调参 + 收敛性证明