典型文献
基于自注意力对抗的深度子空间聚类
文献摘要：
子空间聚类(Subspace clustering)是一种当前较为流行的基于谱聚类的高维数据聚类框架.近年来,由于深度神经网络能够有效地挖掘出数据深层特征,其研究倍受各国学者的关注.深度子空间聚类旨在通过深度网络学习原始数据的低维特征表示,计算出数据集的相似度矩阵,然后利用谱聚类获得数据的最终聚类结果.然而,现实数据存在维度过高、数据结构复杂等问题,如何获得更鲁棒的数据表示,改善聚类性能,仍是一个挑战.因此,本文提出基于自注意力对抗的深度子空间聚类算法(SAADSC).利用自注意力对抗网络在自动编码器的特征学习中施加一个先验分布约束,引导所学习的特征表示更具有鲁棒性,从而提高聚类精度.通过在多个数据集上的实验,结果表明本文算法在精确率(ACC)、标准互信息(NMI)等指标上都优于目前最好的方法.
文献关键词：
子空间聚类;生成对抗网络;自注意力模型;深度学习
中图分类号：
作者姓名：
尹明;吴浩杨;谢胜利;杨其宇
作者机构：
广东工业大学自动化学院 广州510006
文献出处：
引用格式：
[1]尹明;吴浩杨;谢胜利;杨其宇-.基于自注意力对抗的深度子空间聚类)[J].自动化学报,2022(01):271-281
A类：
SAADSC
B类：
子空间聚类,Subspace,clustering,谱聚类,高维数据,数据聚类,深度神经网络,挖掘出,深层特征,倍受,国学者,深度网络,网络学习,原始数据,低维特征,特征表示,相似度矩阵,得数,实数,数据结构,数据表示,聚类算法,自动编码器,特征学习,先验分布,所学,聚类精度,精确率,ACC,互信息,NMI,生成对抗网络,自注意力模型
AB值：
0.356237
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
