Resumen

La mayora de los mtodos de clustering de subespacios dispersos o de bajo rango dividen los procesos de obtencin de la matriz de afinidad y el resultado final del clustering en dos pasos independientes. Nosotros proponemos integrar la matriz de afinidad y las etiquetas de los datos en un modelo de minimizacin. De este modo, pueden interactuar y potenciarse mutuamente y, finalmente, mejorar el rendimiento de la agrupacin. Adems, la estructura diagonal en bloque de la matriz de representacin es la preferida para el clustering subespacial. Definimos una norma basada en una penalizacin cncava plegada (FCP) para aproximar la funcin de rango y la aplicamos a la combinacin de la matriz de etiquetas y el vector de representacin. Este trmino de regularizacin basado en FCP puede reforzar la estructura diagonal en bloque de la matriz de representacin de forma eficaz. Minimizamos la diferencia entre la norma y la norma del vector de etiquetas para que slo tenga un elemento distinto de cero, ya que un dato slo pertenece a un subespacio. El ndice de ese elemento distinto de cero est asociado al subespacio del que proceden los datos y puede determinarse mediante una variante de la regularizacin grfica laplaciana. Realizamos experimentos con varios conjuntos de datos populares. Los resultados muestran que nuestro mtodo obtiene mejores resultados de agrupacin que varios mtodos del estado de la tcnica.

• Materias:Algoritmos (Matemáticas) Algebra Ingeniería Lógica matemática Matemáticas
• Subjects:Agorithms (Math) Algebra Engineering Mathematical logic mathematics
• Palabras claves:Sparse; Low-rank-based; Subspace clustering; Affinity matrix; Block diagonal structure; Regularization term
• Keywords:Sparse; Low-rank-based; Subspace clustering; Affinity matrix; Block diagonal structure; Regularization term