Großangelegte Multi-View Subspace Clustering in linearer Zeit

Eine Vielzahl von Multi-View Subspace Clustering (MVSC) Methoden wurde in den letzten Jahren vorgeschlagen. Forscher schaffen es, die Clustering-Genauigkeit aus verschiedenen Blickwinkeln zu erhöhen. Viele der besten MVSC-Algorithmen haben jedoch typischerweise eine quadratische oder sogar kubische Komplexität, sind ineffizient und in der Anwendung auf großen Skalen von Natur aus schwierig. In der Ära von Big Data wird das Rechenproblem kritisch. Um diese Lücke zu füllen, schlagen wir einen großangelegten MVSC (LMVSC) Algorithmus mit linearer Komplexität vor. Inspiriert von der Idee des Ankergraphen lernen wir zunächst einen kleineren Graphen für jede Ansicht. Dann wird ein neuartiger Ansatz entworfen, um diese Graphen zu integrieren, sodass wir spektrales Clustering auf einem kleineren Graphen implementieren können. Interessanterweise stellt sich heraus, dass unser Modell auch im Einzelansichtszenario anwendbar ist. Umfangreiche Experimente mit verschiedenen großangelegten Benchmark-Datensätzen validieren die Effektivität und Effizienz unseres Ansatzes im Vergleich zu modernen Clustering-Methoden.