自适应进化聚类
提出 Self-Evolutionary Clustering (Self-EvoC) 框架,采用模糊理论识别异常数据点并采用自我监督分类器生成目标分布以实现分类。实验证明,该方法优于现有 deep clustering 方法。
Feb, 2022
本文提出了一种动态聚类方法 DynamicC,它使用基于机器学习的模型,通过观察基于批处理算法的聚类决策来训练模型,在高速动态场景下进行快速准确的聚类决策。在四个真实世界数据集和一个人工合成数据集上的实验证明,DynamicC 方法相比基线批处理算法有更好的性能,同时达到了类似的准确聚类结果。
Mar, 2022
本文提出一种基于时间变化图的节点聚类方法,其假设聚类标签在时间上平滑变化。采用基于谱聚类的优化问题公式来解决节点聚类问题,增加了标签平滑约束条件,然后采用原始双重分割算法来解决,实验结果表明,该方法是有效的。
May, 2023
该研究论文探讨了用于动态演变图的聚类算法,证明了在某些簇结构的条件下,最终图的簇可以被谱聚类算法的动态变体很好地近似,并运行时间复杂度为 O (1) 和查询时间复杂度为 o (n_T),实验证明了该算法的实用性。
Jun, 2024
本文研究了基于稳定性假设的交互式聚类算法设计,算法开始于任意初始聚类,只进行每步的局部更改;我们证明在这种约束条件下,仍然可以设计出具有可证明高效和准确聚类能力的算法,并在真实数据上进行了实证。
Dec, 2013
本文针对序列响应的类别性时间序列聚类问题,提出了基于原型聚类方法的两种距离度量,并采用模糊聚类方法提高了其计算效率和准确性,所提方法在经济学时间序列应用中具有很好的可行性。
Apr, 2023
本文提出了一种新的鲁棒的自下而上聚类算法,并展示了在满足一定自然属性且传统算法失效的情况下,该算法可以被用来进行准确的聚类。同时,该算法也被适用于归纳设置,并在合成数据和真实数据集上的实验表明,在存在噪音时,与其他分层算法相比,该算法可以获得更好的表现。
Jan, 2014
通过生态瞬时评估 (EMA) 研究,通过跨多个个体收集了大量的时序数据,持续监测情绪行为的各种项目。研究表明,将相似个体的附加信息聚集在一起,可以提高模型的预测性能,从而改善个体的描述。本文研究基于模型的聚类方法,并使用内在的聚类评估度量和下游预测方案的性能来分析这两种方法。结果显示,基于性能的聚类方法在所有评估度量方面均取得最佳结果。此外,通过将群组模型的性能与三种基准方案(个性化、整体群组和随机群组)进行比较,再次确认了聚类方法的优越性,表明利用群组信息可以有效提高所有个体数据的整体性能。
Oct, 2023
研究探讨应用三目标进化算法解决具有随机和动态约束的背包问题,通过将体重和背包容量建模为随机和动态组成部分,与二目标公式相比,三目标公式在应对动态背包问题中具有明显优势。
Apr, 2024
本文提出了一种基于物理学的热核和 DropNode 技术生成时间图增量的方法,用于描述系统的演变行为;同时,还提出了 GDTW 动态时间包裹距离的方法,用于量化演化系统之间的距离,结果在真实世界的结构图数据集上的分类问题中,通过演化核方法获得了显著的分类准确率提高。
Jun, 2023