Adaptive Graph Convolutional Subspace Clustering

要約

タイトル：適応的グラフ畳み込みサブスペースクラスタリング
要約：

– スペクトルタイプのサブスペースクラスタリングアルゴリズムは、多くのサブスペースクラスタリングのアプリケーションで優れたパフォーマンスを発揮している。

– 既存のスペクトルタイプのサブスペースクラスタリングアルゴリズムは、再構成係数行列の制約条件の設計に焦点を当てたり、元のデータサンプルの潜在的な特徴を見つけるための特徴抽出方法に焦点を当てたりしている。

– 本論文では、グラフ畳み込みネットワークに着想を得て、グラフ畳み込み技術を使用して同時に特徴抽出方法と係数行列の制約条件を開発する。

– そして、提案されたアルゴリズムでグラフ畳み込み演算子を反復的かつ自適応的に更新する。したがって、提案された方法を適応的グラフ畳み込みサブスペースクラスタリング（AGCSC）と呼ぶ。

– AGCSCを使用することにより、元のデータサンプルの集計された特徴表現はサブスペースクラスタリングに適しており、係数行列は元のデータセットのサブスペース構造をより忠実に明らかにすることができると主張している。

– 最後に、多数のサブスペースクラスタリング実験が私たちの結論を証明し、AGCSCが関連する方法やいくつかの深層モデルよりも優れたパフォーマンスを発揮することを示している。

要約(オリジナル)

Spectral-type subspace clustering algorithms have shown excellent performance in many subspace clustering applications. The existing spectral-type subspace clustering algorithms either focus on designing constraints for the reconstruction coefficient matrix or feature extraction methods for finding latent features of original data samples. In this paper, inspired by graph convolutional networks, we use the graph convolution technique to develop a feature extraction method and a coefficient matrix constraint simultaneously. And the graph-convolutional operator is updated iteratively and adaptively in our proposed algorithm. Hence, we call the proposed method adaptive graph convolutional subspace clustering (AGCSC). We claim that by using AGCSC, the aggregated feature representation of original data samples is suitable for subspace clustering, and the coefficient matrix could reveal the subspace structure of the original data set more faithfully. Finally, plenty of subspace clustering experiments prove our conclusions and show that AGCSC outperforms some related methods as well as some deep models.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI