ICMLNov, 2011

基于贝叶斯非参数的 k-means 聚类新算法再探

PDF
TL;DR本文从贝叶斯非参数的角度出发，重新审视了 k-means 聚类算法。通过分析 Dirichlet 过程混合物的 Gibbs 抽样算法，我们发现这个算法在极限下接近于硬聚类算法，可以优雅且单调地最小化一个类似 k-means 的聚类目标，包括对聚类数的惩罚。我们将这个方法推广到了多个数据集的聚类情况，并讨论了进一步的扩展，包括门槛特征向量的光谱松弛和在图中不需要固定聚类数的归一化割图聚类算法。
发现论文，激发创造
  • MAD-Bayes: 基于 MAP 的渐近推导与贝叶斯

    应用小方差渐近方法直接处理贝叶斯非参数模型的后验概率，得到一种超越聚类的特征学习目标函数，并提出一些易于实现的新算法，这些算法的效果被实验结果验证。

    Dec, 2012

  • 基于非参数混合模型的异质边缘分布多重联合聚类

    提出了一种新的多聚类方法，该方法使用非参数贝叶斯方法进行模型推断，使用变分推断来求解，该方法在处理高维度数据时更为适用，在聚类时模型同时处理了数值型和分类型变量，应用该方法于真实数据集时能够推出数据集的聚类结构信息，并可应用于抑郁症数据集上。

    Oct, 2015

  • 贝叶斯非参数模型教程

    介绍贝叶斯非参数方法，这是一种避免模型选择问题的方法，是一个高级入门，包含多个应用示例。

    Jun, 2011

  • 基于狄利克雷过程混合的相关性渐近动态聚类

    提出了一种基于依赖狄利克雷过程混合模型（DDPMM）的新的聚类算法，用于聚类包含未知数量的进化聚类的批量连续数据。该算法通过对 DDPMM 的 Gibbs 抽样算法进行低方差渐近分析而得出，提供类似于 k-means 算法的收敛保证的硬聚类。通过移动高斯聚类的合成测试和真实的 ADS-B 飞机轨迹数据测试的实证结果表明，与当代概率和硬聚类算法相比，该算法在提供更高准确性的同时需要更少的计算时间。

    May, 2013

  • 非参数变分推断

    本文提出了一种基于非参数核密度估计的变分逼近方法，通过优化内核位置和带宽参数最大化数据边际似然下限，不同于其他变分逼近方法，本方法能够捕捉后验分布的多个模式，并成功应用于各种图模型和非线性矩阵分解模型中，预测性能优于更专业化的变分方法和基于样本的逼近方法。

    Jun, 2012

  • 贝叶斯距离聚类

    提出了一种贝叶斯距离聚类方法，它使用基于数据点之间成对差异的先验知识以取得更强的鲁棒性，可以在距离聚类和模型聚类之间找到一个平衡点，并通过其在脑基因表达数据的聚类应用中展示了其性能

    Oct, 2018

  • 鲁棒自动数据聚类：狄利克雷过程遇见中位数均值

    通过整合基于模型和基于质心的方法，提出了一种高效且自动的聚类技术，解决噪声对聚类质量的影响，并确保无需提前指定聚类数的优点。在模拟和真实数据集上进行了严格评估和统计保证，表明我们提出的方法优于现有先进聚类算法。

    Nov, 2023

  • 一种非参数贝叶斯聚类的新型先验过程

    研究 Bayesian 聚类中先验分布的作用和 Dirichlet、Pitman-Yor 等常用先验分布的预测概率，探索了非参数化 Bayesian 聚类中的另一种先验分布 —— uniform process 的优点和缺陷，并在真实文档聚类任务中进行性能比较。

    Jan, 2008

  • 使用后验自助法从多模式后验中进行可伸缩的非参数采样

    本文提出了一种可扩展的贝叶斯非参数学习方法，通过优化适当随机化的目标函数实现后验抽样，一个未知数据分布的狄利克雷过程先验考虑到了模型建立错误，并允许具有尴尬并行事后自举算法的非参数后验分布的独立和精确的样本生成，从而特别擅长从多峰后验分布中抽样。

    Feb, 2019

  • 高效非参数贝叶斯 Hawkes 过程

    本文提出了一种高效的 Hawkes 过程核函数的非参数贝叶斯估计方法，通过两种算法实现了灵活的 Hawkes 触发核推断，并在 Twitter 扩散数据集上取得了理论和实证结果上的优越性。

    Oct, 2018