多图融合引导的鲁棒自适应学习在子空间聚类中的应用与创新

本文提出多图融合引导的鲁棒自适应学习（MFGRAL）框架，通过非凸对数损失函数增强抗噪声能力，并融合多图策略优化局部流形结构学习，显著提升了子空间聚类（Subspace Clustering）在复杂数据中的判别性与鲁棒性。

　　

Related Work

本节首先介绍本工作中使用的符号及其描述，然后回顾与我们的工作密切相关的文献，重点是基于自表示（self-representation）和图正则化的子空间聚类方法。

The Proposed Methodology

本节首先提出一种对数形式的损失函数，并讨论其与常规损失函数的区别；随后开发了结合自适应图学习和多图融合策略的鲁棒重建框架，并构建了整体目标函数。

Optimization

本节描述了求解所提模型（7）的优化算法。如第3.3节所述，多种度量可用于评估不同图之间的差异。由于优化算法强烈依赖于度量形式，而我们的主要目标是将多图融合引入子空间聚类，因此选择简单常用且有效的Frobenius范数进行呈现。

Experiments

本节通过一系列实验评估所提MFGRAL方法的有效性和优越性。

Conclusions

本文提出了一种新颖的子空间聚类框架，将多图融合引导的自适应流形学习集成到鲁棒重建框架中。具体而言，我们使用对数函数作为损失，并开发了鲁棒的自表示子空间聚类框架。为学习更具判别性和信息量的表示系数，我们利用多图融合策略指导自适应流形学习过程。因此，MFGRAL能够——