结构图正则低秩子空间聚类

2018-09-18刘婕，马帅

计算机工程与应用 2018年18期

刘婕，马帅

西安电子科技大学数学与统计学院，西安 710126

1 引言

当今社会，处于一个数据爆炸的时代，充分有效地利用这些数据成为人们的必然要求。由于大多数的数据都是高维的，这给数据分析带来了不少困难。子空间聚类[1]往往是处理这类数据强有力的工具，同时可以有效地揭示高维数据的低维结构。目前，子空间聚类的方法有很多，大致可以分为四类：迭代方法[2-3]、统计方法[4-5]、代数方法[6]，以及基于谱聚类的方法。在子空间聚类的诸多方法中，基于谱聚类的方法最受欢迎，例如：稀疏子空间聚类（SSC）[7]、低秩表示（LRR）[8]、最小二乘回归（LSR）[9]、光滑表示（SMR）[10]，以及相关自适应子空间聚类（CASS）[11]。这些方法在原理上可以分为两步，第一步利用数据的自表示来学习相似度矩阵，第二步利用谱聚类算法得到最终的聚类结果。虽然基于谱聚类的方法取得了较好的聚类结果，但是却没有充分利用数据相似度与分割之间的依赖关系。

最近，Li和Vidal等人提出的结构稀疏子空间聚类（SSSC）[12]将上述两步结合成一步，充分利用了数据相似度与分割之间的依赖事实，用数据类别标签引导数据之间的相似度，同时利用数据相似度来引导分割。SSSC模型是SSC模型的延伸，而SSC模型单独寻找每个数据的稀疏表示，缺乏对表示系数全局结构的约束，忽略了数据间的联系和全局特征，不能很好地捕获数据的内在几何结构和全局结构。而且当多个数据与某个数据高度相关时，SSSC只会随机地选取一个数据，不能保证相似度矩阵的连接性问题。张和王[13]等人发现SSSC不能保证同类数据相似度的一致性，在SSSC的基础上增加了子空间结构低秩正则项，确保同类数据相似度矩阵的一致性，但却不能捕获数据的全局结构。Zhang和Li[14]等人受到SSSC模型的启发，在低秩表示的基础上，提出了联合学习相似度矩阵和聚类结果的统一框架，虽然该方法捕获了数据的全局结构，却忽略了数据相似度矩阵的连接性。上述方法虽然取得了较好的聚类结果，但它们都是建立在SSSC模型基础上，都存在SSSC模型存在的问题。

为了解决上述问题，同时获得一个学习相似度矩阵与聚类结果的联合优化模型，本文引入了表示系数矩阵的子空间结构范数，增加了低秩表示来揭示高维数据的全局结构。进一步，为了使相似度矩阵具有连接性，还定义了分组效应来捕获数据的内部几何结构，提出了结构化图正则低秩子空间聚类模型（SGRLRSC）。实验表明，在常用的数据集上，提出的方法优于其他先进的子空间聚类算法。

2 结构图正则低秩子空间聚类

2.1 相关工作

在基于谱聚类的方法中，假设每一个样本点都可以用来自同一个子空间的样本点线性表示，即X=XZ，其中Z为表示系数矩阵，当有噪声时，表示为X=XZ+E，其中E为噪声。通常基于谱聚类的方法统一可以写为以下形式：

2.2 SGRLRSC模型

本文在子空间结构范数上，增加了低秩表示，在集群内部定义了分组效应作为正则项，给出了一个新的统一优化模型，称为结构图正则低秩子空间聚类。

首先，为了能够充分利用数据相似度与分割的依赖事实，获得一个联合学习相似度矩阵与聚类结果的统一框架，本文通过最小化‖Z‖Q来惩罚表示系数矩阵与分割矩阵的不一致性。‖Z‖Q有效地结合了数据相似度矩阵与聚类结果，在迭代过程中，使得表示系数矩阵Z与分割矩阵Q变得一致。

其次，好的相似度矩阵会使得聚类结果更加鲁棒。对于相似度矩阵的连接性来说，希望模型能够自动地把相关性高的数据聚集在一起，即，同一子空间的数据点之间的连接性应该为1，不同空间的数据点之间的连接性应该为0。为此，本文定义了分组效应：

由定义可知，最大化cos

其中wij用来度量数据点xi与数据点xj的空间距离，如果，那么上式可等价于：

最后，SSSC模型中l0-范数单独寻找每个数据的稀疏表示，缺乏对表示系数的全局约束，由于低秩表示能从全局对子空间表示进行处理，因此本文对所有数据进行了低秩表示，来捕获数据的全局结构。综上所述，本文提出的模型为：

其中 λ,β,γ＞0为权衡参数，Ω={Q∈{0,1}N×k:Q1=1,rank(Q)=k}是分割矩阵的空间。上述模型称为结构图正则低秩子空间聚类，简称（SGRLRSC）。

当‖‖zi2=1(∀i=1,2,…,N)，那么

等价于

因此模型（5）等价于：

一方面，表示系数矩阵不但是块对角的，可以捕获数据的全局结构，迫使不相关的数据之间尽量有较少的联系，而且具有分组效应，能够捕获数据的内部几何结构，迫使高度相关的数据集聚为一类；另一方面，在迭代过程中，表示系数矩阵Z与分割矩阵Q相互平衡。初始化P=0后，对表示系数矩阵进行求解，然后利用谱聚类得到相应的分割矩阵，得到分割矩阵后在修正表示系数矩阵，如此循环下去，表示系数矩阵与分割矩阵变得更加一致，以此来得到更好的聚类结果。

3 模型求解

模型（8）不是凸优化问题，不能直接进行求解，为了得到最优解，采用交替迭代最优化的方法求解模型。将上述问题分解为关于Q和Z的子问题，求取最优解：

（1）给定Q，本文使用带自适应惩罚的线性化ADM方法（LADMAP）[16]来得到 Z 。

（2）给定Z，可以利用谱聚类得到Q。

线性交替乘子方法（LADMM）被广泛地应用于子空间聚类算法的求解问题上，在SGRLRSC模型求解时，首先固定分割矩阵Q可以利用LADMM求解表示系数Z，得到表示系数后，再更正Q。在求解表示系数矩阵Z时，由于LADMM自身的特点（矩阵与矩阵乘法以及矩阵求逆，该方法会受到计算复杂性的影响），当遇到的数据库比较大时，得到Z的最优解比较慢，那么更新Q的速度也会变慢，这样会使得最终的运算效率下降。因此采用LADMAP进行求解，LADMAP方法与LADMM方法求解模型的思想是一致的，都是通过固定其他变量求解另一个变量。但是LADMAP方法不需要引入辅助变量和逆矩阵，从而减轻了矩阵与矩阵之间的运算。在参考文献[16]中，作者在实验中已经证明了LADMAP方法的运算效率比LADMM方法运算效率高。为了证明使用LADMAP方法求解在本文中可以提高运算效率，在实验部分，在相同的条件下对比了利用LADMAP方法求解模型和利用LADMM方法求解模型在实验数据集的运算时间，LADMAP方法可以缩短运算时间，提高运算效率。

（1）表示系数矩阵Z的求解

给定Q，式（8）等价于：

那么上述问题可以由LADMAP进行求解，式（9）的拉格朗日函数为：

其中

Y1,Y2,Y3是拉格朗日乘子，μ＞0是参数。

更新Z，固定C,J,E,Y1,Y2,Y3：

其中S(⋅)为软阈值算子。更新J，固定Z,C,E：

由上式可知J有解析解：

更新E，固定Z,J,C：

由上式可知E有解析解：

更新拉格朗日乘子Y1,Y2,Y3。采用梯度下降的方法，即：

便于直观的表述，算法1总结了LADMAP求解子问题Z的步骤。

算法1（LADMAP）

输入：X,P0,λ,β,γ

输出：Z

初始条件：Z=J=C=0,Y1=Y2=Y3=0,μ0=0.1,μmax=106,ρ=1.1,ε1=10-6,

循环执行以下操作：

1.用式（11）更新 Z ；

2.用式（12）更新C ；

3.用式（14）更新 J；

4.用式（16）更新 E ；

5.用式（17）更新Y1,Y2,Y3；

（2）分割矩阵Q的求解

在给定Z时，问题式（8）变为：

又因为：

因此上式变为：

由于式（21）非凸，因此松弛为：

最后利用谱聚类对上述问题进行求解。

便于更直观显示模型SGRLRSC的求解过程。算法2总结了模型求解的整个过程。子问题（1）是凸优化问题，求解步骤是特征选择的过程，把表示系数Z作为特征向量来进行聚类。子问题（2）是凸松弛问题，求解步骤是谱聚类的过程。虽然上述两个子问题在理论上不能保证收敛，但是在实验中，选取一定参数，算法收敛。

算法2（SGRLRSC模型求解）

输入：X,K,λ,β,γ

输出：Q

初始条件：P0=0

循环执行以下操作：

1.当给定Q时，通过算法1求解问题式（9）得到Z；

2.给定Z时，通过谱聚类求解问题式（18）得到Q；

4 数值实验

本文在常用的数据集CMU-PIE数据集[17]，COIL20数据集[18]以及MINIST数据集[19]来验证SGRLRSC的聚类效果，并且与SSC、LRR、LSR、CASS、SMR以及SSSC方法进行比较，图1给出了实验数据集的样本图，最后，以错误率error=Nerror/Ntotal来评判上述所有方法的聚类性能。

图1 实验样本图

在实验中，为了公平，上述所有方法的参数都选取能使聚类结果最好的那个值，并且每个数据库都进行20次实验，结果取其平均值。SGRLRSC中有三个参数，λ、β、γ。在参数调整过程中，首先选择一个大的取值范围，手动地调整三个参数多次进行实验，使得聚类精度取得一个较好的结果，记下参数取值范围，然后缩小范围，通过固定其他参数的方式调整一个单独参数，使得聚类效果达到最好，取对应的参数值，以此类推，得到全部最优的值。以CMU-PIE数据集的前30类为例，在参数调整过程中，发现当β=15，SGRLRSC会取得较好的聚类结果，固定 β ，当 λ∈[0.1,0.5]，γ∈[10,20]，聚类误差相对较小，在实验中，不断地调整参数，使其取得最好的聚类结果。图2显示了在CMU-PIE数据集的前30类上聚类误差随参数λ和参数γ的变化图。从图像上可以看出，当λ=0.2,γ=15时，CMU-PIE数据集聚类精度最高。

4.1 CMU-PIE数据集

图2 在CMU-PIE数据集的前30类上聚类误差随参数λ和参数γ的变化图

该数据集包含13个不同的姿势，403个不同的照明条件和四种不同表情的41 368张68个人的人脸图像，每张图像像素大小为32×32。图1中的（a）给出了样本图。在实验中，为了节省空间，仅选取每个人的21张图片，构建了30、40、60和68类的四个子空间。大量测试实验表明，当λ=0.2,β=15,γ=15时，聚类精度最高。表1显示了各种方法在CMU-PIE数据集的聚类结果，对于不同类，选择一样的参数。从表中可以看出，SGRLRSC方法始终优于其他方法。便于更清楚地对比各个方法的聚类性能，图3给出了各种方法在30、40、60和68类的四个子空间上的聚类错误率曲线图，从曲线图上可以看出随着类别数目增多，SGRLRSC方法的聚类性能慢慢退化。

表1 在CMU-PIE数据集上的聚类错误率 %

图3 聚类错误率随CMU-PIE数据集数目增多的变化图

为了进一步说明SGRLRSC模型的作用，图4显示了在不同错误率下，相似度矩阵A，自表示矩阵Z，相似度矩阵A的最小的三个特征值所对应的特征向量(Qˉ)以及连接矩阵P。为了可视化，都取其绝对值并且乘以800。由图可知，随着错误率变低，相似度矩阵A越来越接近块对角矩阵，表示矩阵Z与分割矩阵Q也变得越来越一致。

4.2 COIL20数据集

图4 SGRLRSC方法中矩阵A、Z、向量及矩阵P在不同错误率下的可视化图

COIL20数据集是由20个物体在不同角度下构成的1 440张灰度图像，图1（b）给出了实验样本图。每个物体只选取前50张图片作为样本，在实验中，将每张图片像素32×32向量化后，利用主成分分析（PCA）[20]降维成60维。大量实验结果表明，当 λ=0.5,β=15,γ=0.1，SGRLRSC的聚类效果最好，表2给出了SGRLRSC方法在COIL20数据集的聚类精度，由表2可知SGRLRSC方法的聚类性最好。

4.3 MINIST数据集

MINIST数据集是一个在子空间聚类中经常会用到的包含数字0～9的10类手写字体数据集。每个图片的分辨率大小为28×28，对应于784维向量。图1（c）给出了实验样本。在实验中选取50个样本作为数据集，并且将每个样本投影成60维。在实验中，取λ=0.05,β=90,γ=1.9，SGRLRSC的聚类效果最好。实验结果如表3，由表3可知SGRLRSC方法提高了聚类精度，并优于其他算法。