Transformation invariant subspace clustering

خوشه بندی فضای مجازی در بسیاری از برنامه های کاربردی کامپیوتری موفق بوده است. با این حال، اکثر الگوریتم های خوشه بندی زیر فضای مورد نیاز نمونه های داده ها را هماهنگ می کنند، که اغلب برای رسیدن به آنها آسان نیست. این مقاله چارچوب خوشه بندی فضای غیر قابل تغییر را با هماهنگ سازی نمونه های داده ها و ارائه یادگیری زیربخش ارائه می دهد. با هم ترازی، نمونه های داده ای تبدیل شده بسیار همپوشانی می شوند و ماتریس همبستگی بهتر می تواند بدست آید. مشکل مشترک می تواند به دنباله ای از مسائل رگرسیون کمترین مربعات کاهش یابد که می تواند به طور موثر حل شود. ما اثربخشی روش پیشنهادی را با تجربیات گسترده بر روی داده های واقعی غیر ارزیابی تأیید می کنیم و دقت خوشه بندی بالاتری را نسبت به خوشه بندی فضایی پرآوازه و الگوریتم های خوشه ای غیر تحلیلی پیشرفته نشان می دهیم.