一种基于深度图正则化Lp平滑半非负矩阵分解的图像聚类方法

《Big Data and Cognitive Computing》：A Deep Graph Regularized Lp Smooth Semi-Non-Negative Matrix Factorization Method for Image Clustering

　　

摘要

无监督学习通常依赖非负矩阵分解技术来提取低维特征。然而，传统的深度NMF模型往往无法捕捉复杂的层次结构，还可能扭曲高维数据的固有几何结构，从而导致得到的解既不平滑也不稳定。为了解决这些问题，我们提出了DGLpSNMF——一种基于深度图正则化的平滑半NMF方法，该方法通过图拉普拉斯正则化以及相应的平滑处理来明确体现数据的几何结构。该优化问题通过前后分裂法来解决，同时我们证明了所生成序列会收敛到临界点。在四个图像基准数据集（JAFFE、Yale、ORL、PIE）上的实验表明，DGLpSNMF在准确率和归一化互信息方面均显著优于多种现有的NMF算法。