子空间聚类方法采用自表达模型，将每个数据点表示为数据集中其他数据点的线性组合，提供了强大的无监督学习技术。然而，当处理大型数据集时，通过字典引用所有数据点来表示每个数据点的计算复杂性很高。为了缓解这一问题，我们引入了一种可并行的基于多子集的自表达模型(PMS)，该模型通过组合多个子集来表示每个数据点，每个子集仅由一小部分样本组成。在子空间聚类(PMSSC)中采用PMS具有计算优势，因为在每个子集上分解的优化问题很小，并且可以高效地并行求解。此外，PMSSC能够将从子集中获得的多个自表达系数向量组合在一起，这有助于提高自我表达能力。在合成和真实世界数据集上进行的大量实验表明，与其他方法相比，我们的方法具有效率和有效性。

　　摘要

　　参考文献

　　致谢

　　作者信息

　　道德声明

　　搜索

　　导航

　　＃＃＃＃＃

　　下载原文档：https://link.springer.com/content/pdf/10.1007/s41095-022-0293-5.pdf