概率时序子空间聚类：处理丢失特征的统一非参数生成模型

130660概率时序子空间聚类0Behnam Gholami 计算机科学系罗格斯大学0bb510@cs.rutgers.edu0Vladimir Pavlovic 计算机科学系罗格斯大学0vladimir@cs.rutgers.edu0摘要0子空间聚类是一种常见的建模范式，用于识别具有局部线性结构的数据中的成分模式。这些结构在计算机视觉中的许多问题中都很常见，包括对复杂人体运动的时间序列建模。然而，经典的子空间聚类算法在学习数据集内的关系时没有考虑到时间依赖性，然后使用单独的聚类步骤（例如谱聚类）进行最终分割。此外，这些经常基于优化的算法假设所有观测都具有完整的特征。相反，在现实世界的应用中，一些特征经常丢失，这导致数据不完整，并且这些方法的性能大大降低。在本文中，我们提出了一个统一的非参数生成框架，用于对从顺序有序的子空间并集中抽取的数据进行时间子空间聚类，以一种原则性的方式处理丢失的特征。我们的生成模型的非参数性质使得可以从数据中自动推断子空间的数量和维度。在人体动作数据集上的实验结果表明，所提出的模型始终优于其他最先进的子空间聚类方法。01. 引言0高维数据在许多机器学习应用中普遍存在。使用低维表示对这些数据进行建模可以潜在地减少从数据中提取信息的算法的计算时间和内存需求。在许多应用中的一个标准假设是高维数据位于若干远低于其维数的子空间的并集上。子空间聚类的目标是将数据点同时聚类到多个子空间，并找到每个聚类对应的子空间。数学上，子空间聚类（SC）[7, 27, 45,60]定义如下：设X ∈ Rd × N为数据矩阵0假设由N个数据点{x_n ∈Rd}Nn=1组成，假设这些数据点是从未知维数Ks =dim(Φs)的S个线性子空间Φs的并集中抽取的，其中0 < Ks

下载后可阅读完整内容，剩余1页未读，立即下载