Agrupamiento de subespacios multivista a gran escala en tiempo lineal

Una plétora de métodos de agrupamiento de subespacios multivista (MVSC) se han propuesto en los últimos años. Los investigadores logran mejorar la precisión del agrupamiento desde diferentes puntos de vista. Sin embargo, muchos algoritmos MVSC de última generación, que típicamente tienen una complejidad cuadrática o incluso cúbica, son ineficaces y inherentemente difíciles de aplicar a gran escala. En la era de los grandes datos, el problema computacional se vuelve crítico. Para llenar este vacío, proponemos un algoritmo MVSC a gran escala (LMVSC) con complejidad de orden lineal. Inspirados en la idea de un gráfico de anclaje, primero aprendemos un gráfico más pequeño para cada vista. Luego, se diseña un enfoque novedoso para integrar esos gráficos de modo que podamos implementar agrupamiento espectral en un gráfico más pequeño. Curiosamente, resulta que nuestro modelo también se aplica al escenario de vista única. Experimentos extensos en varios conjuntos de datos de referencia a gran escala validan la efectividad y eficiencia de nuestro enfoque con respecto a los métodos de agrupamiento de última generación.