多視点深層部分空間クラスタリングネットワーク

多視点部分空間クラスタリングは、複数の補完的な情報を融合することによりデータの内在構造を発見することを目指しています。既存の方法の多くはまず複数種類の手作り特徴量を抽出し、その後クラスタリングのために共通の親和行列を学習します。このアプローチの欠点は以下の2点にあります：1) 多視点関係が特徴量学習に埋め込まれていないこと、2) 深層学習のエンドツーエンド学習方式が多視点クラスタリングには適していないことです。深層特徴量が抽出された場合でも、異なるデータセットでのクラスタリングに適切なバックボーンを選択することは容易ではありません。これらの問題に対処するため、私たちはエンドツーエンド方式で多視点自己表現行列を学習する多視点深層部分空間クラスタリングネットワーク（MvDSCN）を提案します。MvDSCNは2つのサブネットワーク、すなわち多様性ネットワーク（Dnet）と普遍性ネットワーク（Unet）から構成されています。深層畳み込み自己符号化器を使用して潜在空間が構築され、全結合層を使用して潜在空間内で自己表現行列が学習されます。Dnetは視点固有の自己表現行列を学習し、Unetはすべての視点に対する共通の自己表現行列を学習します。多視点表現の補完性を活用するために、ヒルベルト・シュミット独立基準（HSIC）が導入され、非線形かつ高次元の視点間関係を捉える多様性正則化項として機能します。異なる視点が同じラベル空間を共有しているため、各視点の自己表現行列は普遍性正則化によって共通のものに合わせられます。MvDSCNはまた、複数のバックボーンを統合することでクラスタリング性能を向上させ、モデル選択の必要性を回避します。実験結果はMvDSCNの優位性を示しています。