Label Learning Method Based on Tensor Projection

要約

アンカーグラフに基づくマルチビュークラスタリング手法は、その効率性と有効性の高さから広く注目されています。
後処理を避けるために、既存のアンカー グラフ ベースのメソッドのほとんどは、接続されたコンポーネントを持つ 2 部グラフを学習します。
ただし、このような方法ではパラメーターに関する要件が高く、場合によっては、明確な連結成分を含む 2 部グラフを取得できない場合があります。
これを解決するために、テンソル投影 (LLMTP) に基づくラベル学習方法を提案します。
具体的には、直交射影行列を通じてアンカー グラフをラベル空間に射影し、クラスター ラベルを直接取得します。
異なるビューに別々に投影する場合、マルチビュー データの空間構造情報がある程度無視される可能性があることを考慮して、ビュー間の空間構造情報を最大限に活用できるように、行列射影変換をテンソル射影に拡張します。
さらに、さまざまなビューのクラスタリング ラベル行列を可能な限り一貫させるために、テンソル Schatten $p$-norm 正則化を導入します。
広範な実験により、提案された方法の有効性が証明されました。

要約(オリジナル)

Multi-view clustering method based on anchor graph has been widely concerned due to its high efficiency and effectiveness. In order to avoid post-processing, most of the existing anchor graph-based methods learn bipartite graphs with connected components. However, such methods have high requirements on parameters, and in some cases it may not be possible to obtain bipartite graphs with clear connected components. To end this, we propose a label learning method based on tensor projection (LLMTP). Specifically, we project anchor graph into the label space through an orthogonal projection matrix to obtain cluster labels directly. Considering that the spatial structure information of multi-view data may be ignored to a certain extent when projected in different views separately, we extend the matrix projection transformation to tensor projection, so that the spatial structure information between views can be fully utilized. In addition, we introduce the tensor Schatten $p$-norm regularization to make the clustering label matrices of different views as consistent as possible. Extensive experiments have proved the effectiveness of the proposed method.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google