【论文标题】Structured Graph Learning for Scalable Subspace Clustering: From Single-view to Multi-view 【作者团队】Zhao Kang，Zhiping Lin，Xiaofeng Zhu，Wenbo Xu 【发表时间】2021/02/16 【机构】电子科技大学 【论文链接】https://arxiv.org/pdf/2102.07943.pdf

【推荐理由】 本文出自电子科技大学，作者基于二部图匹配和锚点的思想，够早了描述样本和锚点之间关系的二部图，实现了高效的基于图的子空间聚算法。

基于图的子空间聚类方法具有良好的性能。然而，它们仍然存在一些缺点：（1）昂贵的计算时间开销；（2）无法探索显式集群；（3）不能泛化到看未见过的数据点上。在本文中，作者提出了一种可扩展的图学习框架，试图同时解决上述三个问题。 具体而言，该框架建立在锚点和二部图的思想之上。作者构造了一个二部图来描述样本和锚点之间的关系，而不是构造一个 n*n 的图（其中 n 是样本的数量）。同时，作者采用连通性约束来保证连通分量可以直接表示聚类簇。 接着，作者指出了该方法和 K-means 聚类之间的联系。此外，作者还提出了一种处理多视图数据的模型，该模型根据 n 进行线性标准化。作者通过大量的实验证明了该方出相较于许多先进聚类方法的效率和有效性。

图 1：带约束的最优二部图。起初，二部图左侧的节点随机地与右侧的锚点相连。在约束的作用下，结构化的二部图包含了特定数量的连通分量。

内容中包含的图片若涉及版权问题，请及时与我们联系删除