【文章摘要-20230509】Adaptively Topological Tensor Network for Multi-view Subspace Clustering

原文链接

多视角子空间聚类方法采用了不同的张量分解去学习自表示张量用于挖掘低秩信息。

然而，在不同的多视角数据集中，基于嵌入的数据结构自表示张量可能具有多样性。因此，一个预先定义的张量分解可能无法充分利用一个特定数据集的低秩信息，这会导致多视角聚类取得次优的性能。

为了缓解以上提到的限制，作者提出了自适应的拓扑张量网络，该网络通过自表示张量的结构信息确定边缘秩（新名词），该方法能够基于数据驱动策略提供更好的张量表示。特别的，在多视角张量聚类方面，作者分析了不同自表示张量的不同模态之间的高阶相关性，并从一个全连接张量网络精简弱相关性的链接。因此，获取的新张量网络能够有效的从不同数据集中探索具有不同张量结构的自表示潜在聚类信息。作者进一步的应用了贪婪自适应的秩增加策略来该站低秩结构的获取性能。作者采用该网络用于多视角子空间聚类并采用乘法器的交替方向方法求解。

实验结果表明基于该网络的多视角子空间聚类方法在六个数据集上的性能优于同类算法。