Groupwise Constrained Reconstruction for Subspace Clustering
School of Computer Science, Fudan University（复旦大学计算机科学学院）；University of Technology, Sydney（悉尼科技大学）
基于重构的子空间聚类方法计算样本的自重构矩阵，并将其用于谱聚类以获得最终的聚类结果。它们的成功很大程度上依赖于基本子空间是独立的假设，然而，这并不总是在子空间数量增加的应用中成立。在本文中，我们提出了一种新的基于重构的子空间聚类模型，而不做子空间独立性假设。在我们的模型中，重建矩阵的某些属性使用潜在聚类指标来明确表征，并且用于谱聚类的亲和矩阵可以直接从潜在聚类指标的后验而不是重建矩阵中构建。在合成数据集和真实数据集上的实验结果表明，该模型的性能优于现有的方法。
2012-06-18 cs.LG stat.ML
Modularity-Based Clustering for Network-Constrained Trajectories
Télécom ParisTech（巴黎电信学院）；Université Paris I（巴黎第一大学）
我们提出了一种新的聚类方法的移动对象的轨迹，受到约束的底层道路网络。该方法建立了一个相似性图的基础上，这些轨迹，然后使用模块化优化层次图聚类重新组轨迹相似的配置文件。我们的实验研究表明，所提出的方法优于经典的层次聚类，并给出了一个简短的洞察可视化的聚类结果。
2012-10-05 cs.LG physics.data-an stat.ML
Multiple Manifold Clustering Using Curvature Constrained Path
University of California, San Diego（加州大学圣迭戈分校）
多个曲面的聚类问题是一项具有挑战性的任务，特别是当曲面相交时。Isomap等可用方法无法捕捉交叉点附近表面的真实形状，并导致不正确的聚类。Isomap算法使用点之间的最短路径。最短路径算法的主要缺点是缺乏曲率约束，导致不同表面上的点之间存在路径。在本文中，我们通过对Isomap中使用的最短路径算法施加曲率约束来解决这个问题。该算法随机选择几个界标节点，然后检查每个界标节点和邻域图中的每个其他节点之间是否存在曲率约束路径。我们为每个点构建一个二进制特征向量，其中每个条目表示该点与特定地标的连接。然后，二进制特征向量可以作为传统的聚类算法，如层次聚类的输入。我们将我们的方法应用于模拟和一些真实的数据集，并显示，它执行最好的方法，如K-流形和谱多流形聚类。
2018-12-04 cs.LG stat.ML
Constrained Centroid Clustering: A Novel Approach for Compact and Structured Partitioning
AI & CS Department, Mahindra University（人工智能与计算机科学系，马恒达大学）
本文提出约束质心聚类（CCC），通过限制聚类中心到最远点的最大距离并利用拉格朗日推导闭式解，在合成圆形数据上实现了比K-means和GMM更紧凑且保持角度结构的聚类。
2025-08-18 cs.LG stat.ML
Constrained Bilinear Factorization Multi-view Subspace Clustering
School of Software Engineering, Xi’an Jiaotong University（西安交通大学软件学院）；School of Computer Science and Engineering, Nanjing University of Science and Technology（南京理工大学计算机科学与工程学院）
多视图聚类是一个重要而基本的问题。已有的多视点子空间聚类方法大多假设所有视点共享同一个系数矩阵。然而，在这种假设下，多视图数据的底层信息没有得到充分利用，因为不同视图的系数矩阵应该具有相同的聚类属性，而不是在多个视图之间是均匀的。为此，本文提出了一种新的约束双线性分解多视图子空间聚类（CBF-MSC）方法。具体地说，对所有系数矩阵进行带正交约束和低秩约束的双线性分解，使它们具有相同的迹范数而不是等价的，从而更充分地挖掘多视图数据的一致性信息.最后，一个增广拉格朗日乘子（ALM）为基础的算法来优化目标函数。在九个基准数据集上进行的综合实验验证了所提出的方法与几种最先进的方法相比的有效性和竞争力。
2021-03-24 cs.LG stat.ML
On consistency of constrained spectral clustering under representation-aware stochastic block model
Indian Institute of Science（印度科学学院）
谱聚类由于其灵活性、计算效率和良好的理论性能保证而在实践中得到广泛应用。最近，谱聚类已被研究，以找到平衡的集群人口水平的限制。这些约束由辅助分类节点属性形式的附加信息指定。在本文中，我们考虑的情况下，这些属性可能是不可观察的，但表现为一个辅助图的潜在特征。出于这一动机，我们研究约束谱聚类的目的是找到平衡的集群在一个给定的\textit{similarity graph} $\mathcal{G}$，这样每个人都充分表示相对于一个辅助图$\mathcal{R}$（我们称之为表示图）。我们提出了一个个人层面的平衡约束，形式化这个想法。我们的工作导致一个有趣的随机块模型，不仅植物给定的分区在$\mathcal{G}$，但也植物的辅助信息编码的表示图$\mathcal{R}$。在这种情况下，我们开发了谱聚类的非归一化和归一化变体。这些算法使用$\mathcal{R}$在$\mathcal{G}$中找到近似满足所提出的约束的聚类。我们还建立了第一个统计一致性结果的约束谱聚类下的个人水平的限制，从上述变体的随机块模型采样的图形。我们的实验结果证实了我们的理论发现。
2022-03-03 cs.LG stat.ML
Graph-Based Approaches to Clustering Network-Constrained Trajectory Data
Télécom ParisTech（巴黎电信学院）；Université Paris I Panthéon-Sorbonne（巴黎第一大学先贤祠-索邦大学）
尽管聚类轨迹数据在过去几年中引起了相当大的关注，但大多数先前的工作假设移动对象可以在欧几里得空间中自由移动，并且没有考虑潜在道路网络的最终存在及其对评估轨迹之间相似性的影响。在本文中，我们提出了两种方法来聚类网络约束的轨迹数据。第一种方法发现沿着道路网络的相同部分行进的轨迹的集群。第二种方法是面向路段的，其目的是根据路段共有的轨迹将路段分组在一起。这两种方法都使用一个图模型来描述观察w.r.t.之间的相互作用。它们的相似性，并使用社区发现算法对该相似性图进行聚类。我们还提出了合成数据上获得的实验结果来展示我们的主张。
2012-10-02 cs.LG stat.ML
Constrained fractional set programs and their application in local clustering and community detection
Saarland University（萨尔大学）；Max Planck Institute for Informatics（马克斯·普朗克信息学研究所）
集合函数比的（约束）最小化是聚类和社区检测中经常出现的问题。由于这些优化问题通常是NP难的，因此在实践中使用凸或谱松弛。虽然这些松弛可以全局最优地解决，但它们往往过于松散，从而导致结果远离最优。在本文中，我们表明，每一个约束的非负集函数的比例最小化问题允许一个紧松弛成一个无约束的连续优化问题。这一结果导致一个灵活的框架，解决网络分析中的约束问题。虽然不能保证所产生的非凸问题的全局最优解，但在约束局部聚类问题上，我们的表现优于宽松的凸或谱松弛。
2013-06-14 cs.LG math.OC stat.ML
Robust and Efficient Fuzzy C-Means Clustering Constrained on Flexible Sparsity
Northwestern Polytechnical University（西北工业大学）；Zhengzhou University（郑州大学）
聚类是数据采掘中的一种有效技术，它根据某些属性对一组对象进行分组。在各种聚类方法中，K-Means算法家族由于简单和高效而受到欢迎。然而，现有的基于K-Means的聚类算法大多不能很好地处理离群点，难以有效地解决嵌入$L_0$ -范数约束的问题。针对上述问题，提出了一种新的聚类算法REFCMFS，该算法将$L_{2,1}$范数鲁棒损失作为数据驱动项，并对隶属度矩阵施加$L_0$范数约束，使模型更加鲁棒和稀疏.特别地，REFCMFS通过一个排序函数将$\|\cdot\|_0$吸收到目标函数中，设计了一种新的方法来简化和求解$L_0$ -范数约束，而不需要任何近似变换。这些改进不仅使REFCMFS有效地获得了更有前途的性能，而且为解决嵌入$L_0$ -范数约束的问题提供了一种新的易处理的、巧妙的优化方法。理论分析和在多个公共数据集上的实验验证了本文提出的REFCMFS方法的有效性和合理性。
2019-09-05 cs.LG stat.ML
BasisVAE: Translation-invariant feature-level clustering with Variational Autoencoders
University of Oxford（牛津大学）；Alan Turing Institute（艾伦·图灵研究所）；University of Birmingham（伯明翰大学）；University of Manchester（曼彻斯特大学）
变分自动编码器（VAE）为非线性降维提供了一个灵活且可扩展的框架。然而，在应用领域，如基因组学的数据集通常是表格和高维的，黑盒方法降维不能提供足够的见解。常见的数据分析工作流还使用聚类技术来识别相似特征的组。这通常会导致一个两阶段的过程，但是，这将是可取的，以建立一个联合建模框架，同时降维和聚类的功能。在本文中，我们建议通过BasisVAE来实现这一点：VAE和概率聚类先验的组合，它让我们学习一个独热基函数表示作为解码器网络的一部分。此外，对于不是所有特征都对齐的情况，我们开发了一个扩展来处理双线性不变基函数。我们展示了如何崩溃的变分推断计划导致可扩展的和有效的推理BasisVAE，演示各种玩具的例子，以及单细胞基因表达数据。
2020-03-06 cs.LG q-bio.GN stat.ML
Constrained Clustering and Multiple Kernel Learning without Pairwise Constraint Relaxation
Carnegie Mellon University（卡内基梅隆大学）；University of Cambridge（剑桥大学）
成对约束下的聚类是一种重要的知识发现工具，它能够学习适当的核或距离度量来提高聚类性能。这些成对约束以必须链接和不能链接对的形式出现，在许多应用程序中自然出现，并且对于用户来说是直观的。然而，当学习内核或度量时，将离散约束放松到连续域以简化优化的常见做法可能会损害泛化，因为仅编码链接的信息被转换为通知距离。我们引入了一个新的约束聚类算法，联合聚类数据和学习的内核，根据现有的成对约束。为了更好地推广，我们的方法被设计为最大化约束满足，而不放松成对约束到一个连续的域，其中它们通知距离。我们表明，所提出的方法优于现有的方法在大量不同的公开可用的数据集，我们讨论了我们的方法如何可以扩展到处理大数据。
2022-03-23 cs.AI cs.LG stat.ML
Lifelong Spectral Clustering
University of Chinese Academy of Sciences（中国科学院大学）；Northeastern University（东北大学）；Shenyang Institute of Automation, Chinese Academy of Sciences（中国科学院沈阳自动化研究所）；MIT（麻省理工学院）
在过去的几十年中，谱聚类（SC）已经成为最有效的聚类算法之一。然而，大多数以前的研究集中在谱聚类任务与一个固定的任务集，它不能与一个新的谱聚类任务，而不访问以前学习的任务。在本文中，我们的目标是探讨终身机器学习框架中的谱聚类问题，即，终身谱聚类（L2 SC）。它的目标是有效地学习一个新的谱聚类任务的模型，有选择地转移以前积累的经验，从知识库。具体来说，L2 SC的知识库包含两个部分：1）正交基库：在每对任务中的聚类之间捕获潜在聚类中心; 2）特征嵌入库：嵌入多个相关任务之间共享的特征流形信息。当一个新的谱聚类任务到来时，L2 SC首先从基库和特征库中转移知识以获得编码矩阵，并随着时间的推移进一步重新定义库库，以最大限度地提高所有聚类任务的性能。同时，推导了一个通用的在线更新公式，交替更新的基础库和特征库。最后，在真实世界的基准数据集上进行的实验表明，与现有的谱聚类算法相比，本文提出的L2 SC模型能够有效地提高聚类性能.
2019-11-29 cs.LG stat.ML
Spatially Constrained Spectral Clustering Algorithms for Region Delineation
Michigan State University（密歇根州立大学）
区域化是将景观划分为具有相似属性的均匀斑块的任务。虽然这项任务有广泛的应用，但它有两个显著的挑战。首先，假设所得到的区域是均匀的和空间连续的。第二，众所周知，景观是有层次的，因此，精细尺度的区域完全嵌套在更广泛的区域内。为了解决这两个挑战，首先，我们开发了一个空间约束的谱聚类框架，区域划分，结合区域同质性和空间连续性之间的权衡。该框架使用灵活的，截断指数核来表示空间邻接约束，这是集成的景观特征相似性矩阵的区域划定。为了解决第二个挑战，我们扩展了框架，以创建嵌套在更广泛的规模的区域使用贪婪，递归二分法的精细规模的区域。我们提出了一个案例研究的陆地生态数据集在美国，比较拟议的框架与几个基线方法进行区域化。实验结果表明，所提出的区域化框架优于基线方法，特别是在平衡区域连续性和均匀性方面，以及创建更相似大小的区域，这通常是区域的期望特征。
2019-05-21 cs.LG stat.ML
Co-Clustering Network-Constrained Trajectory Data
Télécom ParisTech（巴黎电信学院）；Orange Labs（Orange实验室）；Université Paris I Panthéon-Sorbonne（巴黎第一大学 先贤祠-索邦）
最近，聚类移动对象的轨迹不断获得兴趣，从数据挖掘和机器学习社区。然而，这个问题主要是在运动物体可以在欧氏空间上自由运动的情况下进行广泛研究的。在本文中，我们研究的车辆的运动受到限制的底层道路网络的聚类轨迹的问题。我们将这些轨迹和路段之间的关系建模为二分图，并尝试对其顶点进行聚类。我们展示了我们的合成数据的方法，并展示了它是如何在推断知识的流动动力学和驾驶员使用道路网络的行为是有用的。
2015-11-04 cs.DB cs.LG stat.ML
Consistency of Constrained Spectral Clustering under Graph Induced Fair Planted Partitions
IBM Research（IBM研究院）；Indian Institute of Science（印度科学学院）
谱聚类在实践者和理论家中都很受欢迎。虽然谱聚类的性能保证是很好理解的，但最近的研究集中在集群中执行“公平性”，要求它们相对于分类敏感节点属性（例如，集群中的种族分布必须匹配种群中的种族分布）进行“平衡”。在本文中，我们考虑一个设置敏感属性间接体现在一个辅助\textit{representation graph}，而不是直接观察。该图指定可以相对于敏感属性彼此表示的节点对，并且除了通常的\textit{similarity graph}之外还观察到该节点对。我们的目标是在相似性图中找到聚类，同时尊重由表示图编码的新的个人级公平性约束。我们为此任务开发了非规范化和规范化谱聚类的变体，并在由表示图诱导的\emph{fair}种植分区模型下分析了它们的性能。该模型使用节点的簇成员关系和表示图的结构来生成随机相似图。据我们所知，这些是第一个一致性结果约束谱聚类下的个人水平的公平性约束。数值结果证实了我们的理论研究结果。
2022-09-24 cs.CY cs.LG stat.ML
Size Matters: Cardinality-Constrained Clustering and Outlier Detection via Conic Optimization
普通的K均值聚类在实践中已经被证明是成功的，但它受到离群值敏感性的影响，并且可能产生高度不平衡的聚类。为了减轻这两个缺点，我们制定了一个联合离群值检测和聚类问题，它分配了一个规定数量的数据点的辅助离群值集群，并执行基数约束的K均值聚类的残差数据集，处理集群基数作为一个给定的输入。我们把这个问题作为一个混合整数线性规划（MILP），承认易处理的半定和线性规划松弛。我们提出了确定性舍入方案，将松弛的解决方案，可行解的MILP。我们还证明了这些解决方案是最佳的MILP，如果集群分离条件成立。
2019-01-10 math.OC stat.ML
ConstraintMatch for Semi-constrained Clustering
LMU Munich（慕尼黑大学）；Fraunhofer Institute for Integrated Circuits（弗劳恩霍夫集成电路研究所）；Munich Center for Machine Learning（慕尼黑机器学习中心）；Georgia Institute of Technology（佐治亚理工学院）
提出ConstraintMatch方法，通过伪约束机制、信息样本选择和成对损失函数，在半监督场景下利用无约束数据提升约束聚类性能，并在五个基准上验证其有效性。
2023-11-26 cs.CV cs.LG stat.ML
The Hidden Convexity of Spectral Clustering
the Ohio State University（俄亥俄州立大学）
近年来，谱聚类已成为数据分析的标准方法，在广泛的应用中使用。在本文中，我们提出了一类新的算法，多路谱聚类的基础上优化一定的“对比度函数”的单位球。这些算法，部分灵感来自某些独立分量分析技术，是简单的，易于实现和有效的。几何上，所提出的算法可以被解释为隐基恢复通过函数优化。我们给出了可证基恢复容许的对比函数的完整刻画。我们展示了如何将这些条件解释为我们在球面上的优化问题的“隐藏凸性”;有趣的是，我们使用有效的凸最大化，而不是更常见的凸最小化。我们还显示了令人鼓舞的实验结果的真实和模拟数据。
2016-05-04 cs.LG stat.ML
Guarantees for Spectral Clustering with Fairness Constraints
Rutgers University（罗格斯大学）；Georgia Tech（佐治亚理工学院）
鉴于谱聚类（SC）用于划分图数据的广泛流行，我们研究了一种受约束的SC版本，其中我们试图纳入Chierichetti等人提出的公平性概念。根据这个概念，如果每个人口统计组在每个聚类中近似地按比例表示，则聚类是公平的。为此，我们开发了规范化和非规范化约束SC的变体，并表明它们有助于在合成和真实数据上找到更公平的聚类。我们还提供了一个严格的理论分析，我们的算法上的一个自然的随机块模型，其中$h$组有很强的组间连接，但也表现出一个“自然”的聚类结构，这是公平的。我们证明，我们的算法可以恢复这种公平的聚类概率很高。
2019-05-10 cs.DS cs.LG stat.ML
Global Optimization for Cardinality-constrained Minimum Sum-of-Squares Clustering via Semidefinite Programming
Sapienza University of Rome（罗马第一大学）
针对基数约束的最小平方和聚类，提出基于分支切割和新型半定规划松弛的全局优化方法，并辅以局部搜索，首次求解比现有精确方法大10倍的现实实例。
2023-09-07 cs.LG math.OC stat.ML
Backhaul-Constrained Multi-Cell Cooperation Leveraging Sparsity and Spectral Clustering
研究了蜂窝上行链路中回程业务受限的多小区协作处理问题。针对减少回程开销，稀疏正则化的多小区接收滤波器的设计问题。无论是非结构化的分布式合作，以及集群合作，其中基站组形成紧密合作，被认为是。动态分簇协作，稀疏均衡器和协作簇是共同确定的，通过交替最小化的谱聚类和组稀疏回归的基础上解决。此外，分散实现的非结构化和集群合作计划的可扩展性，鲁棒性和计算效率。大量的数值试验验证了所提出的方法的有效性。
2015-10-14 cs.IT cs.NI math.IT
Consistency constraints for overlapping data clustering
Air Force Research Laboratory（空军研究实验室）；University of Pennsylvania（宾夕法尼亚大学）；Texas A&M University（德克萨斯A&M大学）
我们研究重叠的聚类方案与函约束，在卡尔松-梅莫利的精神。这避免了基于分区的方法所需的链接所引起的问题。我们的主要结果表明，任何聚类函子是自然约束，以改善单链接集群和最大链接集群。我们工作的背景下，度量空间与非扩张映射，这是适合建模的数据处理，不增加信息内容。
2016-08-15 cs.LG stat.ML
Constrained Optimization for a Subset of the Gaussian Parsimonious Clustering Models
期望最大化（EM）算法是一种迭代方法，用于在数据不完整或被视为不完整时找到最大似然估计。期望最大化算法及其变体通常用于聚类和分类的混合模型应用中的参数估计。尽管事实上，即使高斯混合模型似然表面包含许多局部最大值，是奇异性千疮百孔。以前的工作集中在规避这个问题，约束的最小特征值的分量协方差阵。在本文中，我们考虑约束的最小特征值，最大特征值，最小和最大的家庭设置。具体而言，GPCM家庭的一个子集被认为是基于模型的聚类，在那里我们使用一个重新参数化的版本的著名的特征值分解的组件协方差阵。我们的方法说明了使用各种实验模拟和真实的数据。
2013-06-25 math.ST stat.CO stat.ML
State space partitioning based on constrained spectral clustering for block particle filtering
Univ. Lille（里尔大学）；CNRS（法国国家科学研究中心）；Centrale Lille（里尔中央理工学院）；IMT Nord Europe（欧洲北部高等矿业电信学院）；Institut Mines-Télécom（法国矿业电信学院）；Université Bretagne Sud（南布列塔尼大学）
粒子滤波器（PF）是一种强有力的推理工具，广泛用于非线性和/或非高斯问题的滤波分布估计。为了克服PF的维数灾难，块PF（BPF）插入分块步骤以将状态空间划分成几个较小维度的子空间或块，使得校正和恢复步骤可以在每个子空间上独立地执行。使用小尺寸的块减小了滤波分布估计的方差，但是反过来块之间的相关性被破坏并且引入了偏差。当状态变量之间的依赖关系未知时，决定如何将状态空间划分为块并不明显，并且分区的不良选择可能会产生显著的错误开销。在本文中，我们制定的BPF划分问题作为一个聚类问题，我们提出了一个基于谱聚类（SC）的状态空间划分方法。我们设计了一个广义BPF算法，它包含两个新的步骤：（i）从预测粒子的状态向量相关矩阵的估计，（ii）SC使用此估计作为相似性矩阵，以确定一个适当的分区。此外，对最大簇大小施加约束，以防止SC提供过大的块。我们表明，所提出的方法可以汇集在同一块最相关的状态变量，同时成功地逃脱灾难的维度。
2022-03-07 cs.LG eess.SP stat.ML
Data Aggregation for Hierarchical Clustering
TU Dortmund University（多特蒙德工业大学）
本文提出利用BETULA数据聚合算法，使层次凝聚聚类在资源受限系统上可行，以较小质量损失实现大数据集的探索性分析。
2023-09-05 cs.DB cs.LG stat.ML
Self-Expressive Decompositions for Matrix Approximation and Clustering
Northwestern University（西北大学）；Rice University（莱斯大学）；University of Maryland, College Park（马里兰大学帕克分校）
数据感知的降维和矩阵分解方法旨在发现数据集合中的低维结构。经典方法通过学习可以有效表达集合的基础来发现这种结构。最近，“自我表达”，即使用数据向量的一个小子集来表示完整集合的想法，已经被开发为学习的替代方案。在这里，我们介绍了一种可扩展的方法来计算稀疏的SElf-Expressive分解（SEED）。SEED是一种贪婪方法，它通过从数据集中顺序选择不相干向量来构建基。在从数据集中的向量子集形成基之后，SEED然后计算关于该基的数据集的稀疏表示。我们开发的充分条件下，种子准确地表示低秩矩阵和向量采样的工会独立子空间。我们展示了SEED如何用于从矩阵近似和去噪到聚类的应用，并将其应用于众多现实世界的数据集。我们的研究结果表明，种子是一个有吸引力的低复杂度的替代其他稀疏矩阵分解方法，如稀疏PCA和自表达的聚类方法。
2015-05-04 cs.CV cs.IT cs.LG
Consistency for constrained maximum likelihood estimation and clustering based on mixtures of elliptically-symmetric distributions under general data generating processes
本文证明了非参数分布下基于椭圆对称分布混合的最大似然估计量的一致性，并为其在充分分离子总体聚类分析中的应用提供了理论依据。
2024-10-10 math.ST stat.ML stat.TH
A Projection Method for Metric-Constrained Optimization
Purdue University, Mathematics Department（普渡大学数学系）；Purdue University, Computer Science Department（普渡大学计算机科学系）；The University of Melbourne, Computing and Information Systems School（墨尔本大学计算与信息系统学院）；Monash University, Department of Electrical and Computer Systems Engineering（莫纳什大学电子与计算机系统工程系）
本文提出一种解决度量约束优化问题的新方法，通过改进投影算法解决图聚类中的高维优化问题，并提供新的近似保证。
2018-06-05 cs.LG cs.NA math.NA
Counterfactual Basis Extension and Representational Geometry: An MDL-Constrained Model of Conceptual Growth
National Electronics and Computer Technology Center（国家电子与计算机技术中心）
本文提出基于MDL约束的概念发展模型，通过几何框架解释概念扩展为误差驱动的基底扩展过程，强调反事实表示在学习中的作用及限制。
2025-12-21 cs.AI cs.LG stat.ML
Flexible Auto-weighted Local-coordinate Concept Factorization: A Robust Framework for Unsupervised Clustering
School of Computer Science and Technology, Soochow University（苏州大学计算机科学与技术学院）；Department of Computer Science, University of Georgia（佐治亚大学计算机科学系）
由于概念因子分解（CF）及其变体对噪声的敏感性、对重构误差的严格约束以及预先获得的近似相似性，可能会产生不准确的表示和聚类结果。为了提高表示能力，提出了一种新的无监督鲁棒灵活自动加权局部坐标概念因子分解（RFA-LCF）框架，用于聚类高维数据。RFA-LCF通过干净数据空间恢复、鲁棒稀疏局部坐标编码和自适应加权将鲁棒灵活CF集成到统一模型中。RFA-LCF通过增强CF对噪声和误差的鲁棒性、对重建误差提供灵活的约束以及联合优化局部性来改进表示。对于鲁棒学习，RFA-LCF清楚地学习稀疏投影以恢复底层的干净数据空间，然后在投影的特征空间中执行灵活的CF。RFA-LCF还使用基于L2，1-范数的灵活残差来编码恢复数据与其重建之间的失配，并使用鲁棒的稀疏局部坐标编码来使用几个邻近基概念来表示数据。对于自动加权，RFA-LCF通过最小化干净数据、锚点和坐标上的重建误差，以自适应的方式联合保留基础概念空间和新坐标空间中的流形结构。通过交替地更新局部坐标保持数据、基概念和新坐标，可以潜在地提高表示能力。在公共数据库上的大量实验结果表明，与其他相关方法相比，RFA-LCF提供了最先进的聚类结果。
2019-09-02 cs.CV cs.LG stat.ML
