提出了一种计算理论和半监督聚类算法,将聚类定义为根据所选的聚类原则和度量方法获得数据分组,使每个组不包含异常值,所有其他示例被认为是边缘点,孤立的异常值、异常簇或未知簇。
Jun, 2023
本文提出了一种基于点过程理论的多示例学习框架,使用该框架可以对无序点的数据进行分类、新奇性检测和聚类等学习任务,并针对点数据解决可训练的点模式模型以及决策方案。
Mar, 2017
本文提出了一种使用随机有限集 (RFS) 进行点模式数据建模的方法,并介绍了适当的似然函数和最大似然估计器,可以学习可操作的 RFS 模型族。在新颖性检测中,我们提出了基于 RFS 模型的新型排名函数,实现了显著的性能提升。
Jan, 2017
本文回顾了最新的数据聚类方法,包括传统算法 K-means 的局限性以及 Swarm-based 算法如何解决大数据集聚类的问题,并比较它们哪个适合特定的实际问题。
May, 2023
通过分析现有的聚类算法,我们在五个不同的维度上对主要算法进行分类,以帮助研究人员从不同的角度理解聚类算法,并帮助他们找到适用于解决特定任务的算法。我们还讨论了聚类算法的当前趋势和未来的潜在方向,以及该领域的挑战和未解决的问题。
Jan, 2024
本研究提出了一种使用深度学习进行无监督非参数聚类的方法,首先利用深度学习进行特征表示和降维,然后在最大边际框架下进行非参数聚类,最后在深信念网络中优化模型参数。实验结果表明我们的方法优于现有竞争方法。
Jan, 2015
本文提出了一种名为 ConClu 的通用无监督方法,它通过联合使用点级聚类和实例级对比来实现点和全局特征的学习。实验评估结果表明,该框架在 3D 物体分类和语义分割等下游应用方面具有很好的性能,可以胜过现有技术。
Feb, 2022
该研究采用信息理论的视角来重新构造聚类问题,避免了许多现有聚类方法所依赖的非常规结构的假设,且捕捉了非线性关系。基于集体相似度而非传统的成对度量,该方法在不同领域内都表现出比现有算法更高的聚类一致性。
Nov, 2005
本文研究了一种以监督学习为基础的聚类分析方法,该方法结合了回归和分类,采用整数线性规划方法以及高度可扩展的贪心算法,支持不同类型的聚类定义,并能够展示数据中不同的可解释性的离散聚类结构。
该论文介绍了一种基于众包模型的图像聚类方法,可应对无法得知聚类数目的情况,该方法的有效性已通过在多个人工数据集上的应用得到了证明。
Oct, 2016