Clustering discreto rápido multivista mediante fusión de incrustaciones espectrales

Área de la Ciencia:

• Aprendizaje automático
• Minería de datos
• Inteligencia artificial

Sus antecedentes:

• El agrupamiento espectral multivista (MVSC) es valioso para datos diversos, pero tiene dificultades con conjuntos de datos grandes debido a la fusión de matrices de similitud y la posdiscretización.
• Los métodos MVSC existentes enfrentan desafíos con el ruido y las desalineaciones en dos etapas, lo que reduce la efectividad del agrupamiento.

Objetivo del estudio:

• Desarrollar un novedoso modelo de agrupamiento discreto rápido multivista (FMVDC) para un agrupamiento eficiente y efectivo a gran escala.
• Superar las limitaciones de la SC multivista tradicional, incluida la complejidad computacional y la precisión reducida.

Principales métodos:

• Desarrolló el modelo FMVDC utilizando la fusión de incrustaciones espectrales para obtener directamente clústeres discretos, evitando la fusión de matrices de similitud y la posdiscretización.
• Implementó una estrategia de incrustación espectral basada en anclajes para reducir la complejidad computacional de cúbica a lineal.
• Empleó un método de descenso de coordenadas para la optimización eficiente del modelo FMVDC discreto.

Principales resultados:

• FMVDC integra matrices de incrustaciones espectrales ($n imes c$) para generar directamente categorías discretas de muestras ($c$ clústeres).
• La estrategia basada en anclajes reduce significativamente la complejidad del análisis espectral.
• Estudios exhaustivos confirman el rendimiento superior de FMVDC sobre los métodos de vanguardia, especialmente en conjuntos de datos a gran escala.

Conclusiones:

• FMVDC ofrece un enfoque más eficiente y efectivo para el agrupamiento multivista en aplicaciones a gran escala.
• El modelo propuesto aborda las limitaciones clave de la MVSC tradicional, mejorando tanto la velocidad como la precisión.