Subspace Co-clustering avec Convolution Bilatérale sur Graphe

Le subspace clustering vise à partitionner un ensemble d’observations de haute dimension. Si cette approche a donné de bons résultats dans le domaine du partitionnement d’images, elle s’est avérée inefficace pour le partitionnement de données sparses comme c’est le cas des données matrices termes-documents. Une extension appropriée de cette approche au co-clustering, particulièrement efficace sur des données sparses, s’avère utile pour traiter de données attribuées. Ainsi, nous traitons le problème de la sparsité par le biais d’une convolution bilatérale sur graphe qui favorise l’effet de regroupement. Nous montrons la compétitivité de notre modèle par rapport à l’état de l’art sur des ensembles de données de graphes attribués en termes de performance et d’efficacité computationnelle.