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:
min
Z
,
P
∥
Z
∥
∗
+
λ
2
∥
P
T
X
−
P
T
X
Z
∥
F
2
s
.
t
.
P
T
X
X
T
P
=
I
d
.
\begin{aligned}&\min_{\mathbf{Z},\mathbf{P}}\left\|\mathbf{Z}\right\|_*+\frac{\lambda}{2}\left\|\mathbf{P}^\mathbf{T}\mathbf{X}-\mathbf{P}^\mathbf{T}\mathbf{X}\mathbf{Z}\right\|_F^2\\s.t.&\mathbf{P}^T\mathbf{X}\mathbf{X}^T\mathbf{P}=\mathbf{I}_d.\end{aligned}
s.t.Z,Pmin∥Z∥∗+2λ
PTX−PTXZ
F2PTXXTP=Id.
优化步骤:
Update Z (有定理可证明)核范数 + F范数优化
min
z
∥
Z
∥
∗
+
λ
2
∥
P
T
X
−
P
T
X
Z
∥
F
2
.
\min_\mathbf{z}\left\|\mathbf{Z}\right\|_*+\frac\lambda2\left\|\mathbf{P}^T\mathbf{X}-\mathbf{P}^T\mathbf{X}\mathbf{Z}\right\|_F^2.
zmin∥Z∥∗+2λ
PTX−PTXZ
F2.
Update P (有定理可证明)
min
P
∥
P
T
X
−
P
T
X
Z
∥
F
2
s
.
t
.
P
T
X
X
T
P
=
I
d
\min_\mathbf{P}\left\|\mathbf{P}^\mathbf{T}\mathbf{X}-\mathbf{P}^\mathbf{T}\mathbf{X}\mathbf{Z}\right\|_F^2\\s.t.\mathbf{P}^T\mathbf{X}\mathbf{X}^T\mathbf{P}=\mathbf{I}_d
Pmin
PTX−PTXZ
F2s.t.PTXXTP=Id
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