다중 시점 딥 서브스페이스 클러스터링 네트워크

다중 시점 부분 공간 클러스터링은 여러 보완적인 정보의 시점을 융합하여 데이터의 본질적 구조를 발견하는 것을 목표로 합니다. 기존의 대부분 방법은 먼저 다양한 유형의 수작업 특징을 추출한 후, 이를 통해 공동 친화성 행렬을 학습하여 클러스터링을 수행합니다. 이 접근 방식의 단점은 두 가지 측면에서 나타납니다: 1) 다중 시점 관계가 특징 학습에 내재화되지 않았으며, 2) 딥 러닝의 엔드투엔드 학습 방식이 다중 시점 클러스터링에 적합하지 않습니다. 심지어 딥 특징이 추출되었더라도, 다양한 데이터셋에서 클러스터링을 위한 적절한 백본을 선택하는 것은 쉽지 않은 문제입니다. 이러한 문제들을 해결하기 위해, 우리는 엔드투엔드 방식으로 다중 시점 자기 표현 행렬을 학습하는 다중 시점 딥 부분 공간 클러스터링 네트워크 (MvDSCN)를 제안합니다. MvDSCN은 두 개의 하위 네트워크, 즉 다양성 네트워크 (Dnet)와 보편성 네트워크 (Unet)로 구성됩니다. 깊은 컨볼루션 오토인코더를 사용하여 잠재 공간이 구축되며, 완전 연결 계층을 통해 이 잠재 공간에서 자기 표현 행렬이 학습됩니다. Dnet은 시점별 자기 표현 행렬을 학습하는 반면, Unet은 모든 시점에 대한 공통적인 자기 표현 행렬을 학습합니다. 다중 시점 표현들의 보완성을 활용하기 위해, 힐베르트-슈미트 독립성 기준 (Hilbert--Schmidt independence criterion, HSIC)이 다양성 규제자로서 도입되어 비선형적이고 고차원적인 상호시점 관계를 포착합니다. 서로 다른 시점들이 동일한 라벨 공간을 공유하기 때문에, 각 시점의 자기 표현 행렬은 보편성 규제를 통해 공통적인 행렬과 일치시킵니다. MvDSCN는 또한 여러 백본을 통합하여 클러스터링 성능을 향상시키고 모델 선택의 필요성을 피할 수 있습니다. 실험 결과는 MvDSCN의 우수성을 입증하고 있습니다.