Seeking Commonness and Inconsistencies: A Jointly Smoothed Approach to Multi-view Subspace Clustering

要約

マルチビュー部分空間クラスタリングは、複数のビューから隠れた部分空間構造を発見してロバストなクラスタリングを行うことを目的としており、近年大きな注目を集めています。
大幅な進歩にもかかわらず、以前のマルチビュー サブスペース クラスタリング アルゴリズムのほとんどは、依然として 2 つの制限に直面しています。
第 1 に、通常は複数のビューの一貫性 (または共通性) に焦点を当てていますが、サブスペース表現におけるビュー間の不一致を捉える能力が不足していることがよくあります。
第二に、それらの多くは複数のビューのローカル構造を見落としており、複数のローカル構造を共同で活用して部分空間表現の学習を強化することができません。
これら 2 つの制限に対処するために、このホワイト ペーパーでは、共同で平滑化されたマルチビュー サブスペース クラスタリング (JSMC) アプローチを提案します。
具体的には、クロスビューの共通性と矛盾性を部分空間表現学習に同時に組み込みます。
ビュー・コンセンサス・グループ化効果は、複数のビューのローカル構造を共同で利用して、ビュー共通性表現を正則化するために提示されます。これは、クラスター構造を強化するために核ノルムを介して低ランクの制約にさらに関連付けられます。
したがって、クロスビューの共通性と不一致、ビューのコンセンサス グループ化効果、および低ランクの表現は、統合された目的関数にシームレスに組み込まれ、クラスタリングのためのロバストな部分空間表現を実現するために交互最適化アルゴリズムが実行されます。
さまざまな実世界のマルチビュー データセットに関する実験結果は、私たちのアプローチの優位性を裏付けています。

要約(オリジナル)

Multi-view subspace clustering aims to discover the hidden subspace structures from multiple views for robust clustering, and has been attracting considerable attention in recent years. Despite significant progress, most of the previous multi-view subspace clustering algorithms are still faced with two limitations. First, they usually focus on the consistency (or commonness) of multiple views, yet often lack the ability to capture the cross-view inconsistencies in subspace representations. Second, many of them overlook the local structures of multiple views and cannot jointly leverage multiple local structures to enhance the subspace representation learning. To address these two limitations, in this paper, we propose a jointly smoothed multi-view subspace clustering (JSMC) approach. Specifically, we simultaneously incorporate the cross-view commonness and inconsistencies into the subspace representation learning. The view-consensus grouping effect is presented to jointly exploit the local structures of multiple views to regularize the view-commonness representation, which is further associated with the low-rank constraint via the nuclear norm to strengthen its cluster structure. Thus the cross-view commonness and inconsistencies, the view-consensus grouping effect, and the low-rank representation are seamlessly incorporated into a unified objective function, upon which an alternating optimization algorithm is performed to achieve a robust subspace representation for clustering. Experimental results on a variety of real-world multi-view datasets confirm the superiority of our approach.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google