子空间聚类的统一框架：图神经网络、注意力与编码率缩减的统一

《ACM Transactions on Intelligent Systems and Technology》：A Unified Framework for Subspace Clustering: Unification of Graph Neural Networks, Attention, and Coding Rate Reduction

　　

摘要AI 摘要

要查看此AI生成的摘要，您需要拥有高级访问权限。

了解更多登录

摘要

摘要

子空间聚类是指将位于多个子空间并集上的数据点进行分割的任务。当前该任务的前沿方法利用了子空间的自表达特性，即每个数据点都可以表示为同一子空间内其他数据点的线性组合。近期的研究工作通过利用神经网络或图卷积技术从原始数据中学习嵌入表示，将该方法扩展到非线性流形上的数据。这些方法通常包含一个由自表达损失定义的正则化项，以使嵌入数据与线性子空间的并集对齐。然而，它们仍然无法显式捕捉亲和矩阵与分割过程之间的关系。为了解决这一局限性，我们提出了一种新型框架——基于注意力机制和编码率缩减的图表示学习（GRACE）。GRACE联合学习数据表示和数据点的图结构，并将其与分割过程相关联。它利用图神经网络生成有效的数据表示，并采用带有注意力机制的图学习模块来推断图结构。此外，它还包含一个伪标签模块，以有效地将分割过程与图学习和表示学习集成在一起。另外，我们引入了一个用于无监督图和表示学习的新目标函数，该函数基于最大化编码率缩减，以增强学习到的表示的判别能力。在多个真实数据集上的大量评估表明，GRACE在性能上与最先进子空间聚类方法相比具有竞争力或表现更优。

AI 摘要

AI生成摘要（实验性）

本摘要由自动化工具生成，未经本文作者撰写或审阅。此摘要旨在支持文献发现、帮助读者评估相关性，并协助来自相邻研究领域的读者理解该工作。其目的是作为作者提供的摘要的补充，后者仍然是论文的主要摘要。全文仍然是权威的记录版本。点击此处了解更多。

点击此处对此摘要的准确性、清晰度和实用性提出评论。这样做将有助于改进和未来的重新生成版本。

要查看此AI生成的通俗易懂摘要，您需要拥有高级访问权限。