May, 2015

受约束的 1 - 谱聚类

PDF
TL;DR本文拓展了经典的谱聚类方法，将不能链接和必须链接约束整合到了聚类中，并通过松弛优化问题获得了一种新的连续性方法，相比其他约束谱聚类方法，该方法能够保证满足所有约束条件并且可以快速处理大规模数据集。
发现论文，激发创造
  • 关于约束的谱聚类及其应用

    本文介绍了一种明确将 Must-Link 和 Cannot-Link 约束作为约束优化问题部分的灵活的约束光谱聚类方法，通过广义特征分解，在多个数据集上取得了较好的结果。

    Jan, 2012

  • 凸约束下的谱聚类

    我们引入了一种能够很好地将约束引入到半定谱聚类的新框架，通过扩展半定谱聚类的能力来捕捉复杂的数据结构，以更有效地解决现实世界中的聚类挑战。此框架在各种真实数据集和学习场景中展示了超越现有光谱聚类方法的优越性，为处理复杂聚类问题提供了一种多功能工具。

    Apr, 2024

  • 无需一对一约束松弛的约束聚类和多核学习

    本文提出了一种新的受限聚类算法，该算法可以在考虑已有对比信息的情况下最大程度地满足约束条件，而不会将已知的链接信息转化为距离信息，以此来高效地学习核与度量，并在各种公共数据集上的表现明显优于现有方法。同时，本文还探讨了该方法如何应用于大数据处理，可以有效提高可扩展性。

    Mar, 2022

  • 带最优图的统一谱聚类

    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

  • 具有公平约束的谱聚类的保证

    本研究研究了一种受 Chierichetti 等人提出的公平原则约束的、用于对图形数据进行分区的谱聚类方法。我们开发了归一化和非归一化受约束谱聚类的变体，并证明它们可以在合成和真实数据上找到更公平的聚类结构。在一种自然环境变体的随机块模型上，我们对算法进行了严格的理论分析，并证明我们的算法可以以高概率恢复这种公平聚类。

    Jan, 2019

  • 用于高效谱像分割的稀疏图形式

    本文提出了一种基于稀疏图的归一化割方法，该方法通过添加颜色节点至简单的网格图中对图像进行分割，实验结果表明该方法在图像分割方面表现优于传统的光谱算法。

    Jun, 2023

  • 深度约束聚类框架 —— 算法和新进展

    这篇论文介绍了一种基于深度学习的约束聚类框架，可应用于连续数据和高层领域知识等不同类型的约束条件，相比基于传统算法的方法，效果更好。

    Jan, 2019

  • 通过非启发式算法离散化谱聚类的松弛解

    基于一阶优化算法，我们提出了第一个非启发式方法，将原始问题与离散化算法联系起来，从而更可靠地获得最终的离散解决方案，优于现有方法。

    Oct, 2023

  • 具有结构约束的分层聚类

    本文研究了带有结构约束条件的层次聚类问题，提出了两种基于优化视角的自顶向下算法，并且通过公式化约束性正则化的方法在存在冲突先验信息的情况下得出了良好的解，同时探讨了基于差异性信息变化的目标函数的变形并进一步优化了当前技术，最后将该方法应用于实际数据集的分类学应用

    May, 2018

  • 通过图粗化和最优割方法的受限层次聚类

    通过在短句设置中提取和总结相关信息，我们研究了以层次化方式对单词进行聚类的问题，特别是关注具有水平和垂直结构约束的聚类问题，我们通过将问题分为两个步骤来克服现有技术的瓶颈，首先，将其作为一个有软约束的正则化最小二乘问题来引导顺序图粗化算法的结果朝向水平可行解集，然后通过计算基于可用约束的最优截断高度从生成的层次树中提取平坦的聚类，我们展示了这种方法相对于现有算法具有很好的比较性能且计算上轻量级。

    Dec, 2023