A geometric analysis of subspace clustering with outliers
含离群点的子空间聚类的几何分析AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要研究通用无监督子空间聚类，没有明确宏观因子、金融因子或其他计量应用。
反馈分类问题正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
含离群点的子空间聚类的几何分析
- 研究问题
- 论文研究无标签数据接近多个低维子空间时，如何在子空间数量与维度未知、子空间相交及离群点很多的情况下进行聚类。
- 方法与思路
- 作者对稀疏子空间聚类算法开展几何分析，研究较高维及相交子空间的恢复，并扩展算法以处理大量离群点，辅以数值研究。
- 材料陈述的贡献
- 摘要称扩大了算法可证明有效的问题范围，包括相交子空间和维度接近环境维度的情形，并提出能够应对大量离群点的扩展。
- 阅读关注点
- 应核对子空间与样本分布的几何条件、相交时正确聚类的定义，以及离群点模型、允许比例和成功概率依赖哪些假设。
- 阅读边界
- 所给 OpenAlex 索引摘要未注明稿件版本；不能将大量离群点下的有效性理解为对任意污染均稳健，具体条件和数值结果未提供。
原文摘要
This paper considers the problem of clustering a collection of unlabeled data points assumed to lie near a union of lower-dimensional planes. As is common in computer vision or unsupervised learning applications, we do not know in advance how many subspaces there are nor do we have any information about their dimensions. We develop a novel geometric analysis of an algorithm named sparse subspace clustering (SSC) [In IEEE Conference on Computer Vision and Pattern Recognition, 2009. CVPR 2009 (2009) 2790–2797. IEEE], which significantly broadens the range of problems where it is provably effective. For instance, we show that SSC can recover multiple subspaces, each of dimension comparable to the ambient dimension. We also prove that SSC can correctly cluster data points even when the subspaces of interest intersect. Further, we develop an extension of SSC that succeeds when the data set is corrupted with possibly overwhelmingly many outliers. Underlying our analysis are clear geometric insights, which may bear on other sparse recovery problems. A numerical study complements our theoretical analysis and demonstrates the effectiveness of these methods.