Hyper-Laplacian Regularized Concept Factorization in Low-rank Tensor Space for Multi-view Clustering

要約

テンソル指向のマルチビュー部分空間クラスタリングは、高次相関の評価とマルチビュー データのクラスタリング分析の改善において大きな進歩を遂げました。
それにもかかわらず、既存の調査のほとんどは通常、2 つの欠陥によって妨げられています。
第一に、自己表現ベースのテンソル部分空間学習は通常、高い時間と空間の複雑さを引き起こし、埋め込み空間内の非線形局所構造の認識には限界があります。
第 2 に、テンソル特異値分解 (t-SVD) モデルは、各特異値間の多様な重要性を考慮せずに、各特異値を均等に再分配します。
この問題にうまく対処するために、マルチビュー クラスタリング用の低ランク テンソル空間におけるハイパー ラプラシアン正則化概念因数分解 (HLRCF) を提案します。
具体的には、概念因数分解を採用して、各ビューの潜在的なクラスターごとの表現を探索します。
さらに、ハイパーグラフのラプラシアン正則化により、潜在空間内の非線形局所構造を抽出する機能がモデルに与えられます。
異なるテンソル特異値が構造情報を異なる重要度で関連付けることを考慮して、すべてのクラスターごとの表現で構成されるテンソルを制約するための自己重み付きテンソル シャッテン p ノルムを開発します。
特に、サイズが小さいテンソルは、低ランクの最適化における時間と空間の複雑さを大幅に軽減します。
最後に、8 つのベンチマーク データセットに関する実験結果は、HLRCF が他のマルチビュー手法よりも優れたパフォーマンスを示し、その優れたパフォーマンスを示しています。

要約(オリジナル)

Tensor-oriented multi-view subspace clustering has achieved significant strides in assessing high-order correlations and improving clustering analysis of multi-view data. Nevertheless, most of existing investigations are typically hampered by the two flaws. First, self-representation based tensor subspace learning usually induces high time and space complexity, and is limited in perceiving nonlinear local structure in the embedding space. Second, the tensor singular value decomposition (t-SVD) model redistributes each singular value equally without considering the diverse importance among them. To well cope with the issues, we propose a hyper-Laplacian regularized concept factorization (HLRCF) in low-rank tensor space for multi-view clustering. Specifically, we adopt the concept factorization to explore the latent cluster-wise representation of each view. Further, the hypergraph Laplacian regularization endows the model with the capability of extracting the nonlinear local structures in the latent space. Considering that different tensor singular values associate structural information with unequal importance, we develop a self-weighted tensor Schatten p-norm to constrain the tensor comprised of all cluster-wise representations. Notably, the tensor with smaller size greatly decreases the time and space complexity in the low-rank optimization. Finally, experimental results on eight benchmark datasets exhibit that HLRCF outperforms other multi-view methods, showingcasing its superior performance.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google