Enhanced Latent Multi-view Subspace Clustering

要約

潜在的なマルチビュー部分空間クラスタリングは、望ましいクラスタリング パフォーマンスを持つことが実証されています。
ただし、元の潜在表現手法では、複数のビューからのデータ行列を次元方向に沿って単一の行列に垂直に連結して潜在表現行列を復元するため、情報の復元が不完全になる可能性があります。
潜在空間表現を完全に復元するために、本論文では拡張潜在マルチビュー サブスペース クラスタリング (ELMSC) 法を提案します。
ELMSC 方法には、マルチビュー データの表現を強化する拡張データ マトリックスの構築が含まれます。
具体的には、さまざまなビューからのデータ行列を拡張行列のブロック対角位置に積み重ねて、補完的な情報を活用します。
一方、非ブロック対角エントリは、一貫した情報を取得するために、異なるビュー間の類似性に基づいて構成されます。
さらに、一貫性情報の冗長な計算を回避するために、拡張自己表現行列の非対角ブロックに対してスパース正則化を強制します。
最後に、ELMSC の最適化問題を解決するために、乗算器の交互方向法 (ADMM) のフレームワークに基づく新しい反復アルゴリズムが開発されました。
実世界のデータセットに対する広範な実験により、私たちが提案する ELMSC がいくつかの最先端のマルチビュー クラスタリング手法よりも高いクラスタリング パフォーマンスを達成できることが実証されました。

要約(オリジナル)

Latent multi-view subspace clustering has been demonstrated to have desirable clustering performance. However, the original latent representation method vertically concatenates the data matrices from multiple views into a single matrix along the direction of dimensionality to recover the latent representation matrix, which may result in an incomplete information recovery. To fully recover the latent space representation, we in this paper propose an Enhanced Latent Multi-view Subspace Clustering (ELMSC) method. The ELMSC method involves constructing an augmented data matrix that enhances the representation of multi-view data. Specifically, we stack the data matrices from various views into the block-diagonal locations of the augmented matrix to exploit the complementary information. Meanwhile, the non-block-diagonal entries are composed based on the similarity between different views to capture the consistent information. In addition, we enforce a sparse regularization for the non-diagonal blocks of the augmented self-representation matrix to avoid redundant calculations of consistency information. Finally, a novel iterative algorithm based on the framework of Alternating Direction Method of Multipliers (ADMM) is developed to solve the optimization problem for ELMSC. Extensive experiments on real-world datasets demonstrate that our proposed ELMSC is able to achieve higher clustering performance than some state-of-art multi-view clustering methods.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google