Efficient Deep Embedded Subspace Clustering

• 基于自表达的稀疏子空间聚类计算复杂度较高。
• 自表达算法需要一次性载入整个数据集。

• 利用深度神经网络为每个子空间学习一组向量基和一组样本到潜在空间的映射。
• 基和映射需要满足：
  1.不同子空间对应的基的内积要尽可能小
  2.每个样本在潜在空间的表示与自己所属的子空间的基做内积值远大于与其他子空间的基做内积的值。
• 每个样本的潜在空间的表示向量与所有基做内积，通过一种归一化方法来得到所属每个子空间的概率值，通过二次方加强以及KL散度衡量协作训练。
• 训练完之后对于新数据，经过映射到潜在空间与学到的每组基做内积，值最大的即为所属类别。
  

时间复杂度降低，结果稳定。

实验结果并不是SOTA，且有一定的差距。cifar10，cifar100，以及stl10数据集的特征是通过resnet50提取的，相当于是利用有监督学习得到的特征，算不上严格意义上的无监督聚类。