خوشه بندی داده ها در زیرفضاهای اسپارس با استفاده از الگوریتم K-Subspace

آموزش دیکشنری را می توان پیدا کردن نماینده هایی مناسب برای دسته ای داده دانست، خوشه بندی داده ها نیز هدفی مشابه دارد. خوشه بندی داده ها بر اساس قرارگیری در زیر فضاهایی که رتبه پایینی دارند، می تواند تعبیر به آموزش دیکشنری برای نمایش تنک باشد. در این مقاله، الگوریتمی موسوم به K-subspace برای خوشه بندی زیرفضاها ارائه می گردد و سپس با تعمیم الگوریتم K-means در داده های بالاتر، بار محاسباتی الگوریتم را کاهش خواهیم داد. نهایتا شبیه سازی با داده های مصنوعی در پنج زیر فضا انجام خواهد شد که سرعت و دقت الگوریتم پیشنهادی بررسی گردد.