1 Abstract
作为主流聚类方法之一，谱聚类因其在非线性数据集上的良好性能而越来越受到关注。然而，传统的谱聚类模型计算复杂度高。同时，大多数这些模型在实践中未能区分噪声和有用特征，导致聚类性能受限。在本文中，我们提出了一种新的快速谱聚类方法，名为自加权特征的快速谱聚类（FSCSWF），通过以低计算复杂度学习并为特征分配最优权重来实现良好的聚类性能。具体来说，FSCSWF从原始样本中选择锚点，然后在局部结构学习框架中交互式地学习特征权重和锚点与样本之间的相似性。这种交互式学习使得学习到的相似性能够更好地度量锚点之间的关系，并且由于最优权重的分配，数据点变得更具区分性。此外，嵌入了连通性约束，以确保通过学习到的相似性构建的二分图的连通分量可以直接指示聚类。这样，FSCSWF能够以线性于样本数量的计算复杂度实现良好的聚类性能。大量的实验在合成和实际数据集上证明了FSCSWF与现有最先进方法相比的有效性和效率。关键词：锚点；二分图；局部结构学习；谱聚类；自加权特征。
2 Algorithm
3 Optimization Strategy
3 Performance
4 Advantages and Disadvantages
根据提供的论文摘要和内容，以下是自加权特征的快速谱聚类（FSCSWF）算法的优缺点总结：
优点：
- 计算效率：FSCSWF算法具有较低的计算复杂度，与样本数量成线性关系，适合处理大规模数据集。
- 自适应权重分配：算法能够学习特征的最优权重，增强数据点的区分性，有助于提高聚类性能。
- 局部结构学习：通过局部结构学习框架，算法能够更好地捕捉和利用数据的局部特性。
- 连通性约束：嵌入的连通性约束有助于直接从二分图中识别聚类，简化了聚类过程。
- 鲁棒性：实验表明，FSCSWF算法对参数变化具有较好的鲁棒性，且在不同水平的噪声下表现稳定。
缺点：
- 参数选择：尽管算法对参数变化具有鲁棒性，但合理的参数选择仍然对算法性能有重要影响，需要进行一定的调整和实验。
- 局部最优：作为基于优化的方法，FSCSWF可能在某些情况下陷入局部最优解，而不是全局最优解。
- 对锚点的依赖：算法的性能在一定程度上依赖于所选锚点的代表性，不恰当的锚点选择可能会影响聚类结果。
视觉与控制前沿公众号，第一时间获取最有价值的前沿视觉与控制文章。
