基于自适应图正则化的低秩表示

相关工作： 

1.稀疏子空间聚类SSC

2.低秩表示LRR

存在缺点：LRR和SSC目标只在于学习发现样本的低维表示结构 而忽略了局部距离关系；而且，每一个样本的表示系数不能清晰地展示样本之间的相似度因为很多表示值都是负的。因此，由这两种方法构造的图没有很好的可解释性并且不能揭示数据的内在结构。

本文提出方法：

目的：

1.获得的图可以捕获数据的局部和全局结构

2.获得的图的所有元素都是非负的，可以直接揭示样本的相似度程度

3。获得的图应该有准确的连接结构

第一项能被看成是加权稀疏正则化，引入非负约束 保证locality，消除自表示的负面影响，减少噪声的负面影响，

保证获得的图有准确的c个连接部分。避免特殊解0。

 

 

 

 

 

 

 

 

 

 

 

标签：表示,获得,基于,样本,适应,正则,LRR,SSC
来源： https://blog.csdn.net/weixin_47038252/article/details/121082867