深度嵌入子空间聚类网络.pdfVIP

云南大学学报（自然科学版），2025,

47（1）:70~78DOI:

10.7540/j.ynu

Journal

of

Yunnan

University:

Natural

Sciences

Edition

深度嵌入子空间聚类网络

**

李

猛，杨

博，季

虹，张一国

(西安工程大学

计算机科学学院，陕西

西安710600)

摘要：传统的子空间聚类算法通过学习自表达系数矩阵体现数据间的相似性，然而该策略无法有效应对

大规模数据集与样本外点问题，因此提出一种深度嵌入子空间聚类网络模型.

该模型首先利用自编码器获得

原始数据的潜在表示；然后通过预先定义的函数计算潜在表示之间的相似程度并以此为依据构建自表达系

数矩阵；最后使用谱聚类算法获得聚类结果.

所提出的模型避免直接学习数据间的自表达系数，而选择通过

映射函数获得数据的潜在表示与相似度，具有更广泛的适用领域.

在4个公开大规模数据集上开展实验，其结

果表明所提模型在准确率与调整兰德系数两个评价指标上均取得最佳效果，并在标准化互信息上获得了1.25

的平均排名.

参数敏感性实验和泛化性实验进一步验证所提模型具有较强的鲁棒性和样本外点处理能力.

关键词：子空间聚类；自编码器；自表达；谱聚类

中图分类号：TP181

文献标志码：A

文章编号：0258−7971(2025)01−0070−09

随着数据采集技术的不断进步，高维数据已广深度学习的子空间聚类算法[18-20]使用自编码器[10]

[11]

泛存在于模式识别和计算机视觉等领域，例如文本挖和变分自编码器等网络模型首先获得数据的非

[1][2][3]

掘、图像识别和语音分析等.

数据的维度约简线性嵌入，然后在该非线嵌入的基础上设计一个全

与聚类分析已成为重要的研究课题.

然而K-means连接层实现数据自表达学习.

虽然该算法也采用先

[4][5][6]

聚类、层次聚类与谱聚类等传统聚类方法在表示后聚类的方式，但由于神经网络的学习是一个

面对高维数据时，往往受到“维度灾难”的影响，致联合优化的过程，特征映射函数的学习与数据自表

[7-8]

使性能不佳.

因此一些研究尝试采用两阶段的达的学习紧密耦合，因此可获得较好的聚类效果.

学习方式，即首先利用特征学习技术捕获数据的低在实际应用中，基于深度学习的子空间聚类面

[9][10]

维表示，例如非负矩阵分解、自编码器及其变临如下挑战.

首先，自表达