[PED01]Deep Subspace Clustering Networks

论文作者：Pan Ji（University of Adelaide） Tong Zhang、Hongdong Li（Australian National University）等
论文类型：NIPS2017

一句话描述

提出DSC-Nets，在编码器和解码器中间添加一个自表示层，可以处理非线性可分的数据。
使用预训练+微调的策略训练网络，使得网络咋在小数据集上也可以work

Introduction

• subspace clustering
  • 目的：以无监督的方式将来自低维子空间的点聚类
  • 步骤：先学到相似度矩阵，在谱聚类。
  • 分类：
    • 分解法
    • 高阶模型法
    • 基于自表达方法。比分解法更鲁棒，相对基于局部模型的高阶法而言考虑所有数据点的连接。
  • 存在问题：
    • 目前的工作都是对线性子空间进行聚类。然而现实世界中的数据并不一定符合线性子空间模型。如某一主题的人脸图像位于非线性子空间中。
    • 现有的方法解决非线性问题通常使用核技巧。用预定义核（如多项式核或者高斯核）代替数据矩阵的内积。
    • 核方法存在问题：
      • 选择什么样的核，通常是根据经验。
      • 没有明确的解释可以说明预定义核对应的隐式特征空间是真正适合子空间聚类的。
  • 提出方法：
    • 学习一个可以很好的适合子空间聚类的非线性映射。通过自动编码器的编码层将数据非线性的映射到潜在空间（Latent space）。
    • 在编码器和解码器之间引入一个自表达层。全连接、没有偏移量、没有非线性激活。这个层可以编码数据的自表达性质。
• AEs (Auto-encoders)
  • 可以将数据非线性地转换到潜在空间中。
• 将深度学习和子空间聚类结合到一起的，到目前为止（2017）只有：
  • [36] X. Peng, S. Xiao, J. Feng, W.-Y. Yau, and Z. Yi. Deep subspace clustering with sparsity prior. In IJCAI,2016.
  • 与[36]区别：[36]是使用得到的深度特征再进行聚类。本文是直接学习相似度矩阵。

Method (DSC-Nets)

目标函数

• 深度自编码器
  通过编码器得到输入数据 $x_i$ 的潜在表示 $z_i$ ，通过解码器将潜在表示 $z_i$ 重建成 ${\hat{x}}_i$。
  

• 自表达

  • 自表达性质是指数据点可以通过与其在同一个子空间的其他数据点的线性组合来表示。表示为：