锚点碰撞张量

高效可扩展

将锚点表示与非凸低秩张量学习结合，提升大规模多视图子空间聚类的效率与精度。

Jintian, Ji · 冯松鹤

IEEE Transactions on Pattern Analysis and Machine Intelligence 2025

技术优势

复杂度降至线性

锚点表示将大规模相似度矩阵的构建转化为小规模锚点-样本矩阵，结合非凸低秩张量学习，整体时间复杂度从 O(n^3) 降至 O(n)，可处理十万级样本。

估计偏差更小

采用非凸函数逼近张量秩，相较于核范数等凸松弛，更接近真实秩函数，避免过度收缩大奇异值导致的偏差，使学到的张量表示更准确地反映视图间高阶相关性。

一致互补双平衡

一致性几何正则化（CGR）促进不同视图的表示相互靠近，张量排他性正则化（TER）鼓励各视图保留独特信息，两者协同避免聚类结果偏向任一方面。

理论收敛保证

所设计的迭代优化算法被证明具有理论收敛性，且每轮迭代复杂度低，在保证解质量的同时可快速收敛到局部最优。

应用场景

• 多视图聚类：可直接用于整合多源特征（如文本、图像、属性）进行聚类分析，无需前期特征融合，避免信息损失。
• 大规模数据聚类：算法复杂度为线性，适合处理百万级样本的多视图数据，可在单机上高效完成聚类任务。
• 机器人视觉聚类：融合机器人多传感器视图（如RGB、深度、红外）进行场景聚类，助力实时环境理解与物体识别。