.png){kind=icon}
返回
Large-scale structured subspace clustering
.png){kind=icon}
PRE
AI
DOI：10.1007/s10618-026-01268-x.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
子空间聚类已成为数据挖掘和模式发现中揭示高维数据中嵌入的低维结构的关键技术。通过将数据建模为多个线性或仿射子空间的并集，它有效捕获样本间的复杂潜在关系。然而，现有方法仍面临两大挑战：（1）可扩展表示可能无法在复杂数据分布下充分保持内在结构关系；（2）全局自表示模型随着数据规模增加会产生高昂的计算成本。为解决这些局限性，我们提出了一种大规模结构化子空间聚类（LSSC）框架，该框架整合了基于锚点的重构、感知局部性的系数初始化、距离加权的结构正则化以及系数正则化，以学习紧凑的非负样本到锚点的表示。该方法在避免构建完整的样本间相似度矩阵的同时实现了优异的聚类性能，从而在大型数据集上具有良好的可扩展性。在九个基准数据集上的广泛实验表明，LSSC在ACC、NMI、Purity和ARI指标上的综合平均排名在完成所有九个数据集的比较方法中表现最佳，同时在大型数据集上保持了竞争性的聚类性能和可扩展性。这些发现既体现了LSSC的实际可扩展性，也揭示了其对高度不平衡数据分布的敏感性，从而明确了其经验优势与局限性。
Keyword:
Anchor-based modeling
Representation learning
Affinity graph
Structure-aware
Manifold regularization
期刊
IF:
4.3
论文数:
221
被引数:
6.0K
机构
暂无机构信息
引用论文
Principal manifolds and nonlinear dimensionality reduction via tangent space alignment基于切线空间对齐的主流形和非线性降维
OAAI
OAAI分享收藏Towards Scalable Multi-View Clustering via Joint Learning of Many Bipartite Graphs通过许多二部图的联合学习实现可扩展的多视图聚类
PREAI
分享收藏分享收藏Ma, Z.; Wang, J.; Nie, F.; Li, X. Large-Scale Clustering with Anchor-Based Constrained Laplacian Rank. IEEE Trans. Knowl. Data Eng. 2025, 37, 4144–4158. [Google Scholar] [CrossRef]Ma, Z.; Wang, J.; Nie, F.; Li, X. 大规模聚类中的基于锚点的约束拉普拉斯秩. IEEE Trans. Knowl. Data Eng. 2025, 37, 4144–4158. [Google Scholar] [CrossRef].png)
IF0
PREAI
分享收藏
Fast Parameter-Free Multi-View Subspace Clustering With Consensus Anchor Guidance共识锚引导的无参数多视图子空间快速聚类
PREAI
分享收藏
查看更多内容