非负低秩表示提升半监督子空间聚类鲁棒性与效率

本文主要探讨了"通过非负低秩表示的鲁棒半监督子空间聚类"这一研究领域。低秩表示（Low-Rank Representation, LRR）作为一种有效的数据分析工具，已经广泛应用于揭示数据中的子空间结构，尤其是在无监督或弱监督学习任务中。然而，传统的基于LRR的半监督子空间聚类方法存在局限性：首先，它们并未充分利用标签信息，导致亲和力矩阵（affinity matrix）缺乏足够的判别能力，这直接影响了聚类效果。其次，由于亲和力矩阵的构建与子空间聚类过程往往分离，这些方法未能确保全局优化，可能导致性能上的损失。 作者针对这些问题提出了一个新颖的方法——基于非负低秩表示的半监督子空间聚类（Non-Negative Low-Rank Representation, NNLRR）。这种方法的核心在于将LRR框架与高斯场和哈密顿函数相结合，形成一个统一的优化问题，这使得标签信息得以直接融入到亲和力矩阵的构建过程中。这样做的好处是能够显著增强亲和力矩阵的判别能力，从而提高聚类的准确性。 在N