Spectral clustering of high-dimensional data exploiting sparse representation vectors
Spectral clustering of high-dimensional data exploiting sparse representation vectors
复制标题
利用稀疏表示向量的高维数据的谱聚类
DOI：
10.1016/j.neucom.2013.12.027
复制
发表时间：
2014-07
期刊：
影响因子：
6
通讯作者：
Zhou, Wenjun
中科院分区：
文献类型：
--
作者：
Wu, Sen;Feng, Xiaodong;Zhou, Wenjun
高维数据聚类一直是数据挖掘和加工学习中的一个具有挑战性的问题。基于稀疏表示的光谱聚类方法被提出用于高维数据的聚类。阶跃光谱聚类的一个关键是通过评估每对目标之间的接近度来有效地构建权矩阵。虽然稀疏表示已经证明了其对高维信号压缩的有效性，但现有的基于稀疏表示的谱聚类算法直接使用单个稀疏系数。然而，利用完全稀疏表示向量有望反映数据对象之间更真实的相似性，因为正在考虑更多的上下文信息。直觉是，两个相似的对象对应的稀疏表示向量应该是相似的，而两个不相似的对象对应的稀疏表示向量是不相似的。特别地，我们提出了两种基于稀疏表示向量相似性的谱聚类权矩阵结构。在多个真实高维数据集上的实验结果表明，基于权重矩阵的谱聚类优于直接使用稀疏系数的现有谱聚类算法。
Clustering high-dimensional data has been a challenging problem in data mining and machining learning. Spectral clustering via sparse representation has been proposed for clustering high-dimensional data. A critical stepin spectral clustering is to effectively construct a weight matrix by assessing the proximity between each pair of objects. While sparse representation has proved its effectiveness for compressing high-dimensional signals, existing spectral clustering algorithms based on sparse representation use individual sparse coefficients directly. However, exploiting complete sparse representation vectors is expected to reflect more truthful similarity among data objects, since more contextual information is being considered. The intuition is that sparse representation vectors corresponding to two similar objects are expected to be similar, while those of two dissimilar objects are dissimilar. In particular, we propose two weight matrix constructions for spectral clustering based on the similarity of the sparse representation vectors. Experimental results on several real-world, high-dimensional datasets demonstrate that spectral clustering based on the proposed weight matrices outperforms existing spectral clustering algorithms, which use sparse coefficients directly.
登录
查看更多内容
一种新颖的时间序列数据聚类方法
影响因子：
8.5
作者：
Zhang, Xiaohang;Liu, Jiaqi;Du, Yu;Lv, Tingjie
通讯作者：
Lv, Tingjie
DOI：
10.1017/cbo9780511794308
发表时间：
2012
期刊：
--
影响因子：
--
作者：
Gitta Kutyniok
通讯作者：
Gitta Kutyniok
DOI：
10.1007/978-0-387-09823-4_57
发表时间：
2010
期刊：
--
影响因子：
--
作者：
Zhongfei Zhang;Ruofei Zhang
通讯作者：
Zhongfei Zhang;Ruofei Zhang
DOI：
10.1016/j.patcog.2011.06.004
发表时间：
2012
期刊：
Pattern Recognit.
影响因子：
--
作者：
Xiaojun Chen;Yunming Ye;Xiaofei Xu;J. Huang
通讯作者：
Xiaojun Chen;Yunming Ye;Xiaofei Xu;J. Huang
影响因子：
10.6
作者：
Jun Yu;Dongquan Liu;D. Tao;S. H. Soon
通讯作者：
Jun Yu;Dongquan Liu;D. Tao;S. H. Soon