Sep, 2012

K-Means 聚类算法高效初始化方法的比较研究

PDF
TL;DR本研究探讨了 K-means 算法及其初始化方法在聚类方面的应用，比较了 8 种常用线性时间复杂度的初始化方法，并使用各种性能指标对各种数据集进行了测试和分析， 结论表明，当前通用的初始化方法表现不佳，并且有更好的替代方案。
k-meansclustering algorithminitialization methodslinear time complexityperformance criteria
发现论文，激发创造
  • 可扩展的 K-Means++

    本研究展示了一种通过在并行计算中显著减少所需传递次数的方法，从而获得好的初始化的 K-means|| 初始化算法，并通过实验评估证明该算法在顺序和并行设置下均优于 K-means ++。

    Mar, 2012

  • 针对大数据的 K-means 优化：一项比较研究

    本文比较分析了大数据背景下 K-means 算法的不同优化技术。通过并行化、逼近和采样方法等不同方法，探讨了克服大数据规模问题的不同途径。通过使用不同基准数据集评估了这些技术的性能，并根据 LIMA 支配准则在速度、聚类质量和可扩展性方面进行比较。结果表明，不同的技术适用于不同类型的数据集，并提供了关于 K-means 大数据聚类中速度和准确性之间权衡的见解。总体而言，本文为从业者和研究人员提供了如何优化大数据应用中的 K-means 的全面指南。

    Oct, 2023

  • 基于参数熵的 k-means 聚类图像数据集的聚类中心初始化

    通过使用参数熵以基于熵的质心初始化方法对图像数据进行 k-means 性能分析，并提出了适用于一般图像数据集的最佳熵测量，我们观察到对于不同的数据集，不同的熵比传统方法提供更好的结果。我们在 Satellite、Toys、Fruits、Cars、Brain MRI 和 Covid X-Ray 的数据集上应用了我们提出的算法。

    Aug, 2023

  • 几种聚类方法和初始化方法的实验比较

    本文研究高维数据的聚类方法，探讨了 Expectation-Maximization 算法、基于 K-means 的获胜者通吃算法和基于模型的分层凝聚聚类算法，发现 EM 算法在质量上明显优于其他方法，并研究了各种初始化方案对 EM 算法产生的最终解的影响。

    Jan, 2013

  • 可扩展核聚类：近似核 k-means

    本文提出了一种基于随机化的近似核 K-means 簇算法，其利用采样点与数据集中所有点之间的核相似性来近似聚类中心，实现了与传统低秩核近似聚类方案相比更好的聚类性能、更短的运行时间和更小的内存需求，最后利用集成聚类技术进一步提高算法性能。

    Feb, 2014

  • 无聚类中心的模糊 K 均值聚类

    本文提出了一种新颖的模糊 K-Means 聚类算法，通过距离矩阵计算获得成员矩阵，从而完全消除了对聚类中心的依赖，增强了距离测量和算法的性能与鲁棒性。实验证明了该算法的有效性。

    Apr, 2024

  • CKmeans 和 FCKmeans：使用拥挤距离的 Kmeans 算法两种确定性初始化程序

    提出两种新的确定性初始聚类方法，名为 CKmeans 和 FCKmeans，基于修改后的拥挤距离，实验研究表明，该方法在聚类准确性方面优于 Kmeans 和 Kmeans ++，其中 CKmeans 和 FCKmeans 的有效性归因于它们基于修改后的拥挤距离选择更好的初始聚类中心的能力。总体而言，该方法为提高 K-means 聚类提供了一种有前途的选择。

    Apr, 2023

  • 数据易于 (对于 K-Means)

    该论文研究了 $k$-means 算法的能力，正确地恢复互相分离的簇群。基于常见的簇群定义，考虑了簇内同质性和簇间多样性的要求，并找到了一种特殊情况的互相分离簇群，使得 $k$-means 的代价函数全局最小值与互相分离性一致。通过实验发现各种 $k$-means 品牌实际上无法发现互相分离的簇群，因此提出了一种新的算法，通过重复子抽样选择种子的方式，对 $k$-means++ 进行变体改进，并在任务中胜过 $k$-means 系列中的其他四种算法。

    Aug, 2023

  • K-Means 算法并行化及应用于大数据聚类

    K-Means 聚类使用 LLoyd 算法是一种迭代方法，将给定数据集分成 K 个不同的簇；本文将比较并分析两种不同的方法，一种是基于 OpenMP 的平坦同步方法，另一种是基于 GPU 的并行化方法，通过比较结果测量性能改进。

    May, 2024

  • 高斯混合模型的自适应种子

    我们提出了用于多元高斯混合模型期望 - 最大化算法的新初始化方法，这些方法是 K-means++ 初始化和 Gonzalez 算法的改进。我们的方法旨在弥合简单随机和高度依赖超参数选择的复杂方法之间的差距，并且我们的广泛实验表明：与将原始 K - 平均值 ++ 和 Gonzalez 直接应用于人工和现实数据集的常见技术和方法相比，我们的方法具有实用性。

    Dec, 2013