1. 辽宁工程技术大学软件学院,葫芦岛 125105; 2. 西北工业大学计算机科学学院,西安 710072; 3. 中国科学院海西研究院泉州装备制造研究所,泉州 362216
出版日期:
2020-08-25发布日期:
2020-09-24Deep Semi-Supervised Spectral Clustering Algorithm Based on Regularization of Manifold and Pairwise Constraints
XIAO Chenglong1 ,ZHANG Zhongpeng1 ,WANG Shanshan1 ,ZHANG Rui2,WANWanli3 ,WI Xian31. School of Software, Liaoning Technical University, Huludao 125105; 2. School of Computer Science, Northwestern Polytechnical University,Xi’an 710072; 3. Quanzhou Institute of Equipment Manufacturing Haixi Institutes, Chinese Academy of Sciences, Quanzhou 362216
Online:
2020-08-25Published:
2020-09-24摘要
图/表
参考文献
相关文章
编辑推荐
-->Metrics
本文评论
现有的子空间聚类方法以数据全局线性分布为前提, 利用先验约束估计未标记数据点的低维子空间, 并将其聚类到相应 组中, 对非线性结构的数据处理存在一定缺陷. 受启发于深度学习以其强大 的非线性学习表征能力在众多应用中取得巨大成功, 文章在数据表示中加入成 对约束, 并运用流形正则化理论, 采用$k$近邻构造全局相似度矩阵, 通过与自 编码器的联合学习, 提出基于流形正则化与成对约束的深度半监督谱聚类算法(MPAE). 该算 法一方面在学习数据的低维表示时同时保留数据的可重构性和局部流形结构的全局特征, 另 一方面将已知样本间的成对约束信息融入目标优化设计, 使学习到的低维特征更具有判别性, 这 在很大程度上提高了所得算法的聚类性能. 实验结果表明文章算法能够取得理想的聚类结果.
分享此文: