ترجمه فارسی مقاله یادگیری نیمه‌نظارتی سریع و مقیاس‌پذیر برای خوشه‌بندی زیرفضای چندنمایی

چکیده

In this paper, we introduce a Fast and Scalable Semi-supervised Multi-view Subspace Clustering (FSSMSC) method, a novel solution to the high computational complexity commonly found in existing approaches. FSSMSC features linear computational and space complexity relative to the size of the data. The method generates a consensus anchor graph across all views, representing each data point as a sparse linear combination of chosen landmarks. Unlike traditional methods that manage the anchor graph construction and the label propagation process separately, this paper proposes a unified optimization model that facilitates simultaneous learning of both. An effective alternating update algorithm with convergence guarantees is proposed to solve the unified optimization model. Additionally, the method employs the obtained anchor graph and landmarks’ low-dimensional representations to deduce low-dimensional representations for raw data. Following this, a straightforward clustering approach is conducted on these low-dimensional representations to achieve the final clustering results. The effectiveness and efficiency of FSSMSC are validated through extensive experiments on multiple benchmark datasets of varying scales.

چکیده به فارسی (ترجمه ماشینی)

در این مقاله ، ما یک روش خوشه بندی چند منظوره چند منظوره نیمه نظارتی سریع و مقیاس پذیر (FSSMSC) را معرفی می کنیم ، یک راه حل جدید برای پیچیدگی محاسباتی بالا که معمولاً در رویکردهای موجود یافت می شود.FSSMSC نسبت به اندازه داده ها از پیچیدگی های خطی محاسباتی و فضا برخوردار است.این روش یک نمودار لنگر اجماع را در تمام دیدگاه ها ایجاد می کند ، و هر نقطه داده را به عنوان یک ترکیب خطی پراکنده از نقاط دیدنی انتخاب شده نشان می دهد.این مقاله بر خلاف روشهای سنتی که مدیریت ساخت نمودار لنگر و فرآیند انتشار برچسب را به طور جداگانه مدیریت می کنند ، یک مدل بهینه سازی یکپارچه را ارائه می دهد که یادگیری همزمان هر دو را تسهیل می کند.یک الگوریتم به روزرسانی متناوب موثر با ضمانت همگرایی برای حل مدل بهینه سازی یکپارچه پیشنهاد شده است.علاوه بر این ، این روش از نمودار لنگر به دست آمده و نمایش های کم بعدی برای استنباط بازنمایی های کم بعدی برای داده های خام استفاده می کند.پس از این ، یک رویکرد خوشه بندی ساده در این بازنمودهای کم بعدی برای دستیابی به نتایج خوشه بندی نهایی انجام می شود.اثربخشی و کارآیی FSSMSC از طریق آزمایش های گسترده در مجموعه داده های معیار چندگانه از مقیاس های مختلف تأیید می شود.