LoomSC以因子分解扩展子空间聚类

Nairouz Mrabah等在arXiv论文中提出LoomSC，用投影因子分解和精确谱降维减少深度子空间聚类的计算与内存开销；论文摘要称，在维度固定、迭代预算不变时，完整流程对样本数具有线性时间和内存复杂度。 该方法联合学习潜在特征与投影自表示，以两个薄因子、交替Procrustes和最小二乘更新维持样本因子正交性，并通过精确特征映射缩小谱问题。作者称，LoomSC在五个图像聚类基准的15项数据集—指标比较中均位列第一或第二，对比9种先进基线；合成实验扩展至50万个样本时准确率仍至少为99.8%。这些结果目前来自论文摘要所述实验。

AI 根据报道生成 · 41 分钟前更新

还没有足够的连续观测数据，暂不绘制趋势。