लार्ज-स्केल मल्टी-व्यू सबस्पेस क्लस्टरिंग इन लीनियर टाइम

पिछले कुछ वर्षों में मल्टी-व्यू सबस्पेस क्लस्टरिंग (MVSC) के कई तरीकों का प्रस्ताव किया गया है। शोधकर्ता विभिन्न दृष्टिकोणों से क्लस्टरिंग सटीकता बढ़ाने में सक्षम हैं। हालाँकि, कई अत्याधुनिक MVSC एल्गोरिदम, आमतौर पर द्विघात या यहाँ तक कि घन जटिलता रखते हैं, अक्षम हैं और बड़े पैमाने पर लागू करना स्वाभाविक रूप से कठिन है। बड़े डेटा के युग में, गणना का मुद्दा महत्वपूर्ण हो जाता है। इस अंतर को भरने के लिए, हम एक लार्ज-स्केल MVSC (LMVSC) एल्गोरिदम का प्रस्ताव करते हैं जिसमें रैखिक क्रम की जटिलता होती है। एंकर ग्राफ के विचार से प्रेरित होकर, हम पहले प्रत्येक दृष्टिकोण के लिए एक छोटा ग्राफ़ सीखते हैं। फिर, उन ग्राफ़ को एकीकृत करने के लिए एक नवीन दृष्टिकोण डिज़ाइन किया जाता है ताकि हम छोटे ग्राफ़ पर स्पेक्ट्रल क्लस्टरिंग लागू कर सकें। दिलचस्प बात यह है कि हमारा मॉडल एकल-दृश्य परिदृश्य पर भी लागू होता है। विभिन्न बड़े पैमाने पर बेंचमार्क डेटासेट पर व्यापक प्रयोगात्मक परीक्षण हमारे दृष्टिकोण की प्रभावशीलता और दक्षता को अत्याधुनिक क्लस्टरिंग विधियों के संदर्भ में मान्य करते हैं।