• 基于WKPCA的多路谱聚类算法


    已经介绍了基于WKPCA的谱聚类算法,下面将其推广到多路谱聚类,并给出编码体制。

    知识预备

    需要先掌握KPCA和Spectral Clustering,这篇文章是博客的进一步延伸和扩展,强烈建议结合上一篇,这篇和上一篇相同或相似的细节不再重复。

    算法原理

    将度矩阵的逆作为加权矩阵,并引入正则项、特征维向量、偏置项,将导出以下优化问题:

    [min_{w^{(l)}, e^{(l)}, b_l};{1over 2N} sum_{l=1}^{n_e}gamma_l e^{{(l)}^T}D^{-1}e^{(l)}-{1over 2} sum_{l=1}^{n_e}w^{{(l)}^T}w^{(l)} ]

    [{ m such; that}; left{matrix{ e^{(1)}=Phi w^{(1)}+b_1 1_N, cr e^{(2)}=Phi w^{(2)}+b_2 1_N, cr vdots cr e^{(n_e)}=Phi w^{(n_e)}+b_{n_e}1_N .} ight.]

    每一个特征维向量(e^{(l)})根据簇标识(q^{(l)}= sign(e^{(l)}))提供二分类的依据。

    类似的,用Lagrangian解最优化问题:

    [eqalign{{cal L}(w^{(l)}, e^{(l)}, b_l;alpha^{(l)})&={1over 2} sum_{l=1}^{n_e}gamma_l e^{{(l)}^T}D^{-1}e^{(l)}-{1over 2} sum_{l=1}^{n_e}w^{{(l)}^T}w^{(l)}cr &quad -sum_{l=1}^{n_e}alpha^{{(l)}^T}ig (e^{(l)}-Phi w^{(l)}-b_l 1_Nig),} ]

    当满足以下条件时最优:

    [left{matrix{ displaystyle{partial {cal L}over partial w^{(l)}} =0 ightarrow w^{(l)}=Phi^Talpha^{(l)}, cr displaystyle{partial {cal L}over partial e^{(l)}} =0 ightarrow alpha^{(l)}={{gamma_l}over{N}} D^{-1}e^{(l)},cr displaystyle{partial {cal L}over partial b_l} =0 ightarrow 1_N^Talpha^{(l)}=0cr displaystyle{partial {cal L}over partial alpha^{(l)}} =0 ightarrow e^{(l)}=Phi w^{(l)}+b_l 1_N, } ight. ]

    其中$l = 1, ...n_e $

    可以计算出偏置项为:

    [b_l=-{1over 1_N^T D^{-1} 1_N} 1_N^T D^{-1} Omega alpha^{(l)}, l=1,ldots, n_e ]

    消除 (w^(l), e^(l), b_l)得到特征值分解问题:

    [D^{-1}M_{D}Omega alpha^{(l)}=lambda_lalpha^{(l)} ]

    其中(lambda _l = {N over gamma _l}, l=1,...,n_e)

    [M_{D}=I_{N}-{1over 1_N^TD^{-1}1_N} 1_N1_N^TD^{-1} ]

    测试数据(x)的特征维基为:

    [z^{(l)}(x)=sum_{i=1}^{N}alpha_{i}^{(l)}K(x_{i}, x)+b_{l}, l=1,ldots, n_{e}. ]

    训练数据中的特征维坐标向量的符号和特征方程的特征向量的符号是一致的。即:

    [{ m sign}(e_i^{(l)})={ m sign}(alpha_i^{(l)}), i=1,ldots, N, l=1,ldots, n_e. ]

    对于测试数据,特征维空间的的坐标向量为:

    [z^{(l)}=Omega_{{ m test}}alpha^{(l)}+b_l1_{N_{{ m test}}}, l=1,ldots, n_e. ]

    其类别划分(需要结合下面的编解码模块)规则如下:

    [{ m sign}(z^{(l)})={ m sign}(Omega_{{ m test}}alpha^{(l)}+b_l1_{N_{{ m test}}}), l=1,ldots, k-1 ]

    编解码

    对于不同的簇(A_p, p = 1, ...,k),使用码字(c_p in {-1, 1}^{n_e})来实现(码字的长度为(n_e))。以上就是编码簿的框架。
    具体的编码簿是通过训练数据得到的:对于训练数据指示器,通过上面的分析即([sign(alpha ^{(1)}), ..., sign(alpha ^{(n_e)})])。对于上面引入的偏置项也就是数据均值为0,使得这一步实现非常方便,否则这里是不成立的。
    对于特征向量数量 (n_e) 的选择:原本中的描述是:(因为第一个特征向量实现了二分类,所以为了编码 (k) 个簇需要特征向量的数量 (n_e= k-1)。解码则是需要计算编码簿的聚类知识器,选择最小的Hamming距离的码字作为标签)。
    我的理解是:因为考虑到ECOC,码字应该足够长。ECOC本身码字长度和类别数是没有直接关系的,所以我猜测作者的意思可能是第一个特征向量能够单独区分出一个最小类,第二个也能从剩下的一类中单独划分出一个最小类,这么算的话就是k-1。第一个特征向量如何能保证划分出的就是一个最小类呢?这点尚未想通,如有懂的同学欢迎留言。

    算法流程

    算法

    代码下载

    下载地址

    参考文献

    1. Alzate C, Suykens J A K. Multiway spectral clustering with out-of-sample extensions through weighted kernel PCA[J]. IEEE transactions on pattern analysis and machine intelligence, 2010, 32(2): 335-347.

  • 相关阅读:
    来换网心得总结
    关于项目来换网
    数据库设计源代码
    自我介绍
    WC项目
    关于《现代软件工程》此书的疑问
    Swift基础语法(常量变量、数据类型、元组、可选、断言等)
    grunt快速学习
    Swift语言简介
    Swift简单入门教程:30分钟玩转Swift
  • 原文地址:https://www.cnblogs.com/hainingwyx/p/6847455.html
Copyright © 2020-2023  润新知