다중 뷰 클러스터링을 위한 이분 그래프 기반 판별 특징 학습

다중 뷰 클러스터링은 기계 학습 연구에서 중요한 기술입니다. 기존 방법들은 클러스터링 성능을 향상시켰으며, 대부분은 모든 샘플에 따라 그래프 구조를 학습하여 복잡도가 높습니다. 이분 그래프 기반의 다중 뷰 클러스터링은 샘플 포인트와 작은 앵커 포인트 간의 관계를 설정함으로써 클러스터링 결과를 얻을 수 있으며, 클러스터링의 효율성을 향상시킵니다. 대부분의 이분 그래프 기반 클러스터링 방법은 샘플 노드에 따라 토폴로지 그래프 구조 학습에만 집중하고, 노드 특징의 영향을 무시합니다. 본 논문에서는 이분 그래프 학습과 판별 특징 학습을 통합하여 다중 뷰 클러스터링을 위한 이분 그래프 기반 판별 특징 학습을 제안합니다. 구체적으로, 이분 그래프 학습은 다중 뷰 서브스페이스 표현과 매니폴드 정규화 항을 통해 제안됩니다. 동시에, 우리의 특징 학습은 융합된 이분 그래프에 의해 얻어진 데이터 의사 레이블을 활용하여 프로젝션 방향을 찾으며, 이는 동일한 레이블이 더 가까이 위치하고 서로 다른 레이블을 가진 데이터 포인트들이 멀리 떨어지게 만듭니다. 마지막으로, 제안된 매니폴드 정규화 항은 구축된 이분 그래프와 새로운 데이터 표현 간의 관계를 설정합니다. 구조 학습과 판별 특징 학습 간의 상호작용을 활용함으로써, 우리는 더 많은 정보가 있는 특징을 선택하고 클러스터링을 위한 데이터의 더 정확한 구조를 포착할 수 있게 됩니다. 다양한 스케일의 데이터셋에서 광범위한 실험 결과는 우리의 방법이 최신 방법들의 결과보다 우수하거나 비슷한 클러스터링 성능을 달성함을 보여줍니다.