基于超图的子空间聚类的秩约束矩阵表示

他的论文提出了一种新颖的，受秩约束的矩阵表示形式，并结合了超图谱分析，能够恢复损坏数据的原始子空间结构。 实际数据经常因稀疏错误和噪声而损坏。 我们的矩阵分解模型从数据中分离出低秩，稀疏错误和噪声分量，以增强对破坏的鲁棒性。 为了在字典中获得所需的数据秩表示，我们的模型通过限制秩范围的上限来直接利用秩约束。 提出了一种替代的投影算法来估计低秩表示并将稀疏误差与数据矩阵分离。为了进一步捕获分布在多个子空间中的数据之间的复杂关系，我们使用超图通过将多个相关样本封装为一个来表示数据超边缘。 通过超图拉普拉斯矩阵的频谱分解获得最终的聚类结果。 在扩展耶鲁人脸数据库B，AR和Hopkins 155数据集上的验证实验表明，该方法是一种很有前途的方法子空间聚类的工具。