摘要
现有的大多数子空间聚类方法依赖于手工设计的表示的自表达特性，且无法察觉潜在的聚类错误，因此在具有复杂底层子空间结构的真实数据上表现不佳。为解决这一问题，本文提出一种新型的深度对抗子空间聚类（Deep Adversarial Subspace Clustering, DASC）模型。该模型通过深度学习机制学习更具优势的样本表示，用于子空间聚类，并尤为重要的是，引入对抗学习机制来监督样本表示学习与子空间聚类过程。具体而言，DASC由一个子空间聚类生成器（generator）和一个质量验证判别器（discriminator）构成，二者相互对抗学习。生成器负责生成子空间估计结果与样本聚类分配；判别器则通过检验从估计子空间中重新采样的数据是否具备一致的子空间特性，来评估当前聚类性能，并据此指导生成器逐步优化子空间聚类结果。在手写数字识别、人脸识别以及物体聚类等任务上的实验结果表明，DASC在性能上显著优于传统浅层及少数深层子空间聚类模型。此外，据我们所知，这是首个成功将类似生成对抗网络（GAN）的框架应用于无监督子空间聚类的任务，也为深度学习在解决其他无监督学习问题方面开辟了新的路径。