本文提出了一种基于图信号处理的快速谱聚类算法,通过使用图滤波器对随机信号进行谱聚类距离矩阵的估计,利用这些随机向量的随机性来估计聚类数目 k,相较于传统谱聚类方法,我们的方法在大规模数据集上表现相当且速度至少快二倍。
Sep, 2015
本文研究了一种基于局部线性逼近残差的高阶谱聚类方法,考虑了聚类过程中的数据噪声和异常值问题,并在实验中验证了该算法具有更好的聚类效果。
Jan, 2010
本文提出了一种基于图信号处理的方法,采用图滤波和随机采样技术加速生成 Laplacian 矩阵特征向量和 k-means 聚类算法步骤,该方法在控制误差的同时计算时间效率可达到数个数量级的提升,并在人工合成数据和真实网络数据集上进行测试。
Feb, 2016
该论文介绍了谱聚类算法和图拉普拉斯的基本性质,推导了不同的谱聚类算法,比较了它们之间的优缺点。
Nov, 2007
研究了随机块模型中谱聚类在社区提取中的性能表现,并表明在最大期望度数的阶数为 $log~n$ 时,谱聚类应用于网络的邻接矩阵时,即使度数很小,也可以一致地恢复出隐藏的社区。
Dec, 2013
本研究提出了一种基于顶点嵌入的简单谱聚类算法,通过幂法计算的向量,在接近线性时间内计算顶点嵌入,并在输入图形的自然假设下,算法能够可靠地恢复出真实聚类结果。通过在多个合成和现实世界数据集上的评估发现,该算法与其他聚类算法相比,具有显著更快的速度,并且产生的聚类准确度基本相同。
Oct, 2023
通过对拉普拉斯特征值极小值的研究,以平均灵敏度为指标,探究了谱聚类方法对于边缘扰动的稳健性,研究结果表明,当输入图像存在簇结构时,谱聚类方法对于边缘扰动是稳定的。
Jun, 2020
该研究提出使用 Bethe Hessian operator 代替 non-backtracking operator 进行图的聚类,从而在检测聚类方面具备了 non-backtracking operator 的性能,同时具备了实数对称矩阵计算,理论和存储方面的优势。
Jun, 2014
该研究探讨了一种可并行化的方法,通过对大型图的频谱进行扩展,以加速奇异值分解求解器和谱聚类,并利用多项式逼近来实现此目的。
Jul, 2022
基于子集集合的归一化特征值谱,我们提出了一种增量谱聚类方法,将数据分成可管理的子集,对每个子集进行聚类,根据特征值谱的相似性合并不同子集的聚类结果,从而实现整个数据集的聚类。实验结果表明,该方法能够获得接近整个数据集聚类结果的子集聚类和合并。
Aug, 2023