多层图方法用于深度子空间聚类
内容提要
该文综述深度子空间聚类进展，涵盖DSSC（结合稀疏性与深度特征）、MvDSCN（多视角学习）、DCFSC（无参数快速聚类）、卷积自编码器方法、DSASC（融合结构与注意力）、E²LMVSC（大规模多视角）、自相似层架构、锚图对比学习、S²ConvSCN及双自表达算法，这些方法均优于传统方法。
延伸解读
深度子空间聚类的演进脉络
从2017年的DSSC到2023年的DSASC、E²LMVSC等，深度子空间聚类在六年内快速迭代。早期方法如DSSC侧重将稀疏性约束与深度特征学习结合，而近期工作更关注多视角、大规模和注意力机制。这一趋势表明，该领域正从单一视角、小规模数据向复杂实际场景迁移，同时模型设计越来越注重端到端优化和自监督信号的使用。
多视角与大规模场景的专门化
MvDSCN、E²LMVSC和基于锚图对比学习的方法都针对多视角数据，其中E²LMVSC明确面向大规模多视角数据集。这些方法通过提取统一表示或独立学习各视角特征再融合，试图捕捉视角间的互补信息。对于实际应用中数据来源多样、样本量大的场景，这类专门化设计比通用方法更具潜力，但也可能增加模型复杂度和调参成本。
自监督与无参数化趋势
DCFSC强调无参数、基于浅层自编码器的非线性映射，S²ConvSCN和双自表达算法则引入自监督模块（如谱聚类自监督、对比学习）。这些设计减少了对人工标注或超参数调优的依赖，同时利用数据自身结构提供监督信号。对于缺乏标签或计算资源有限的任务，这种趋势有助于提升方法的可扩展性和实用性，但自监督信号的质量可能影响最终聚类效果。
Q&A
深度子空间聚类是什么？
深度子空间聚类是一类利用深度神经网络进行子空间聚类的方法，通过非线性变换学习深度特征，并满足子空间聚类的假设（如稀疏性、单位球分布等），从而提升聚类性能。
DSSC方法有什么特点？
DSSC（深层稀疏子空间聚类）通过神经网络的非线性变换，同时满足稀疏子空间聚类的稀疏性原则和学习深度特征的单位球分布假设，在四个真实世界数据集上表现出明显优势。
MvDSCN是如何进行多视角深度子空间聚类的？
MvDSCN（多视角深度子空间聚类网络）借助多元深度自显式矩阵来学习，能够探测互补信息以提取内在结构，并优于其他多特征、多模态学习模型。
DCFSC在处理大规模数据集时有什么优势？
DCFSC（深度闭式解子空间聚类）使用无参数的、基于浅层自编码器的非线性映射得出数据驱动的自表示层，相较于之前的方法具有更好的解决大规模数据集聚类的能力。
DSASC方法如何结合结构和注意力信息？
DSASC（深度结构和注意力感知子空间聚类）同时考虑数据内容和结构信息，通过视觉转换器提取特征，并将特征分为结构特征和内容特征，用于学习更高效的子空间结构进行谱聚类。
E²LMVSC框架适用于什么场景？
E²LMVSC（高效有效的多视角子空间聚类深度框架）适用于大规模多视角数据集，通过提取统一的表示来增强聚类性能。
自相似层在深度子空间聚类中起什么作用？
自相似层被引入基于深度自编码器的无监督子空间聚类架构中，用于模拟传统子空间聚类方法中的“自相似”属性，从而以非线性方式对具有复杂结构的数据点进行聚类。
基于锚图对比学习的深度多视图子空间聚类方法是如何工作的？
该方法通过独立学习每个视图的特征，并在集成锚图上执行谱聚类，同时利用伪标签和对比学习，以解决现有方法存在的问题，在真实世界数据集上表现出优越的聚类性能。
S²ConvSCN框架由哪些模块组成？
S²ConvSCN（自监督卷积子空间聚类网络）是一个端到端可训练框架，由卷积神经网络模块（用于特征学习）、自我表达模块（用于子空间聚类）和谱聚类模块（用于自我监督）组合而成，实现联合优化。
双自表达子空间聚类算法有什么创新？
双自表达子空间聚类算法利用自表达系数构建相似度矩阵进行谱聚类，并提出了基于对比学习的自监督模块，在多个基准数据集上实现了比现有方法更好的聚类表现。
