谱聚类教程
本研究提出了一种基于顶点嵌入的简单谱聚类算法,通过幂法计算的向量,在接近线性时间内计算顶点嵌入,并在输入图形的自然假设下,算法能够可靠地恢复出真实聚类结果。通过在多个合成和现实世界数据集上的评估发现,该算法与其他聚类算法相比,具有显著更快的速度,并且产生的聚类准确度基本相同。
Oct, 2023
该研究论文讨论了谱聚类算法在大型随机分布数据集上的表现,提供了一种能够找到数据集潜在密度规律的谱聚类算法,并通过引入 Cheeger-Buser 不等式为所有随机分布提供新的支持。
May, 2023
本文提出了一种基于图信号处理的方法,采用图滤波和随机采样技术加速生成 Laplacian 矩阵特征向量和 k-means 聚类算法步骤,该方法在控制误差的同时计算时间效率可达到数个数量级的提升,并在人工合成数据和真实网络数据集上进行测试。
Feb, 2016
本文提出了一种改进的光谱聚类算法,旨在解决预定义的相似性图可能不是合适的聚类结果,并且传统离散化解决方法与光谱解决方案可能不一致的问题,并引入多核学习来解决如何选择最适合特定数据集的核的应用挑战。实验结果表明,该方法相比于现有的聚类方法具有更好的性能。
Nov, 2017
本研究针对典型的谱聚类算法,探讨在一些较弱条件下其性能为何,还研究了利用少于 k 个特征向量进行嵌入的谱聚类,实验表明在合成和真实数据上,使用少于 k 个特征向量时,谱聚类也能够产生相当或更好的结果。
Aug, 2022
本文研究了基于 CPU-GPU 异构平台实现的高效谱聚类算法。通过对高维空间中的数据点进行并行处理,建立标准的稀疏相似性图并计算拉普拉斯矩阵的最小 $k$ 个特征向量,同时在 GPU 上实现了快速的 $k$ 均值聚类算法。实验结果表明,该算法比 Matlab 和 Python 的最佳实现方法快得多,并且可以扩展到具有大量聚类的问题。
Feb, 2018