数据增强和自适应自步学习的深度子空间聚类算法

摘要：

深度子空间聚类通过联合执行自表达特征学习和聚类分配而取得了比传统聚类更好的性能.尽管在各种应用中出现了大量的深度子空间聚类算法,但是多数算法都无法学习到精准的面向聚类的特征.针对深度子空间聚类方法在学习聚类的特征表示时不够精准、影响最终聚类性能等问题,提出一种改进的深度子空间聚类算法.通过随机移位和旋转对原样本进行数据增强,交替地使用增强样本来训练和优化自编码器,同时更新样本的集群分配,从而学习到更稳健的特征表示.在微调阶段,损失函数中每个增强样本的目标都是将原样本分配到集群中心,目标计算可能出错,目标错误的样本会误导自编码器网络训练,为此,利用一种无需额外超参数的自适应自步学习算法,在每次迭代中选择最具说服力的样本来提高泛化能力.在MNIST、USPS、COIL100数据集上进行实验,结果表明,该算法的准确率分别达到0.931 8、0.893 4、0.723 6,消融实验和敏感性分析结果也验证了算法的有效性.

关键词：深度学习、子空间聚类、数据增强、自适应自步学习、编码器

所属期刊栏目：49

分类号：TP391.41(计算技术、计算机技术)

资助基金：国家自然科学基金62006126

在线出版日期：2023-10-11（万方平台首次上网日期，不代表论文的发表时间）

页数：共9页

页码：96-103,110