Large-Scale Tensorized Multi-View Kernel Subspace Clustering

doi:10.1145/3735644

Large-Scale Tensorized Multi-View Kernel Subspace Clustering

2025-07-23

0

PRE

AI

DOI：10.1145/3735644

原文求助

摘要

En 中文

基于锚点的多视角子空间聚类（AMSC）已成为大规模多视角聚类的一种有利工具。然而，当前AMSC方法仍存在一些局限性。首先，它们通常在原始线性空间中恢复锚点图结构，限制了其在非线性场景下的可行性。其次，它们通常忽视联合捕捉视图间和视图内信息以增强锚点表示学习的潜在优势。第三，这些方法大多通过特定矩阵范数进行基于锚点的子空间学习，忽略了不同视图间的潜在高阶相关性。为克服这些局限性，本文提出了一种高效且有效的方法，称为大规模张量化多视角核子空间聚类（LTKMSC）。与现有的AMSC方法不同，我们的LTKMSC方法利用了视图间和视图内的感知能力来构建基于锚点的表示。具体而言，利用低秩张量学习捕捉不同视图间的高阶相关性（即视图间的互补信息），在此基础上施加\(l_{1,2}\)范数以探索每个视图中的视图内锚点图结构。此外，利用核学习技术探索多个视图中嵌入的非线性锚点-样本关系。通过构建统一的优化目标函数，进一步设计了一种具有低计算复杂度的有效优化算法。在多种多视角数据集上的大量实验表明，与其他竞争方法相比，我们的方法在效率和有效性方面均得到了验证。

Keyword:

anchor-based clustering

multi-view subspace clustering

tensor learning

kernel method

low-rank regularization

Large-Scale Tensorized Multi-View Kernel Subspace Clustering

摘要

期刊

机构

引用论文