k-Means 聚类是矩阵分解
该论文提出了一种基于 Burer-Monteiro 分解的 NMF-like 算法,通过将 SDP 松弛的 K-means 问题约束为非负低秩矩阵,实现了和 NNF 算法一样简单、可扩展且具有强大的统计优化保证的聚类效果。该算法在实验中的误聚类错误率明显低于现有的最新技术。
May, 2023
本文介绍了一种名为 k-Factorization Subspace Clustering (k-FSC) 的方法,用于大规模子空间聚类。该方法通过追求矩阵分解模型中的结构稀疏性,直接将数据因式分解成 k 组,从而避免了学习亲和矩阵和进行特征值分解,能够在大数据集上实现低时间和空间复杂度,并能够处理噪声、离群值和缺失数据。实验证明,k-FSC 和其扩展版本优于现有的子空间聚类方法。
Dec, 2020
通过结合相关对象,无监督机器学习技术旨在揭示数据集中的潜在模式。在本文中,我们提出了一项关于多模态聚类算法的研究,并提出了一种名为多模态多视图非负矩阵分解的新方法,其中我们分析了多个局部 NMF 模型的协同作用。实验结果表明,所提出的方法具有较大的价值,并使用多种数据集进行评估,相比于现有的方法,获得了非常有前景的结果。
Aug, 2023
提出了一种多视角聚类方法,它使用矩阵分解实现低复杂度且高效率的多视角聚类,并在自我监督学习的基础上利用多样的表示方法,避免二阶段过程,在多维度下开展信息聚合,并使用 $k$-means 进行统一聚类,得出了在各种数据集上优越的聚类性能表现。
Jun, 2023
本文研究了基于 KMeans 算法的聚类过程作为反问题的特殊情况,探索了通过主成分分析来改进聚类反问题质量的尝试,并比较了两种定量特征选择方法之间的关系。使用神经科学数据库中的功能性磁共振成像范例来验证结果。
Nov, 2022
通过特征选择方法,将无关和冗余特征删除,以期获得原始特征的良好表示。本文构建了一个模型,通过集成核函数和核对齐,来解决非线性结构信息的捕捉问题。此外,还提出了一种多核学习方法,通过学习线性和非线性相似性信息,并自动生成最合适的核函数。在实验中,这两种方法在聚类结果和冗余减少方面表现优于其他经典和最先进的无监督特征选择方法。
Mar, 2024
该论文提出了一种基于流形学习和张量正则化的聚类算法,不同于传统的基于 k-means 的方法,该算法通过构建距离矩阵来直接检测数据簇,同时应用于多视图数据中,证明了其优越性能。
May, 2023
本文提出了一种将通用邻域信息添加到推荐模型的矩阵分解扩展,并将用户和项目分成不同的类别,以查看这些类别共享的偏好。实验证明,将类别的通用潜在特征应用于分解的推荐模型可以提高推荐的准确性。
Jan, 2013