近日，我院2023级硕士研究生余太龙在应用计算领域权威期刊《Applied Soft Computing》（中科院二区TOP，IF 6.6）发表题为“Robust and fast subspace representation learning for multi-view subspace clustering(RFSR)”的研究成果，3499拉斯维加斯官网为论文第一署名单位。
该研究针对多视图子空间聚类（MVSC）在处理大规模数据时面临的高计算复杂度和噪声干扰等挑战，提出了一种名为鲁棒快速子空间表示学习（RFSR）的新方法。该方法通过统一深度编码器处理各视图信息，并结合相关熵（correntropy）和二一范数进行去噪处理，有效提升了大规模多视图数据的聚类效率和鲁棒性。
研究主要创新点：1.首次将神经网络近似编码表示应用于多视图子空间聚类，通过训练深度编码器将高阶多项式时间复杂度的低秩分解问题转化为线性时间的神经网络前馈问题，显著提升了大规模数据的处理效率；2.引入相关熵和二一范数双重去噪机制，有效应对非高斯噪声和高斯噪声，增强了模型对异常值和噪声数据的鲁棒性；3.结合随机采样与基于地标点的快速谱聚类（LSC），将传统O(n³)的计算复杂度降低至线性时间O(n)，实现了对大规模多视图数据集的高效聚类。
(a) (b)
图1 整体框架示意图。(a)FRSR设计思想；(b)RFSR流程示意图。
(a) (b)时间进行对数转换
图2 算法性能与效率分析。（a）深度编码器层数、采样点数量及稀疏噪声参数γ₂对效率的影响；（b）在NUS大规模数据集上进行方法对比，验证了其在大规模数据场景下的高效性。
上述研究为大规模多视图数据的高效、鲁棒聚类分析提供了新的技术路径，在图像分类、生物信息分析、推荐系统等领域具有广阔的应用前景。
论文原文链接：https://www.sciencedirect.com/science/article/abs/pii/S1568494625003618