提出了一种轻量级 coresets 算法,用于 k-means 聚类和 Bregman 聚类,能同时允许乘性和加性误差,在计算效率和结果集大小方面优于现有方法,并可用于统计 k-means 聚类的计算小型模型的摘要。
Feb, 2017
本文研究 coresets 和机器学习领域中的最新进展,提出了一种理论上可行的框架来创建分类问题的 coresets,应用到了 $k$-means 聚类问题,同时总结了当前在 MLE 混合模型、贝叶斯非参数模型、主成分分析、回归和经验风险最小化等领域中已有的 coreset 构建算法。
Mar, 2017
该文章提出了一种稳健的 coreset 构建算法,在中心化和分布式框架下生成符合一定理论条件的 coreset,以支持各类机器学习问题的高效求解。实验证明该算法具有较强的健壮性。
Apr, 2019
该研究通过对 coresets 的研究,建立了一个统计框架,分析了非参数密度估计等任务的最小最大估计率,并表明实际 coreset 核密度估计器在很大程度上是接近最小最大优化的。
Nov, 2020
本文提出了一种基于 Bayesian 方法的核心子集构造算法,可有效加速后验推断算法,适用于大规模数据集。该方法具有明显的理论保证和实际效果。
May, 2016
提出了一种使用 Bregman 差异构建强核心集的单一实用算法,可用于广泛的硬聚类和软聚类问题,并演示了该算法的实用性。
Aug, 2015
本文提出了一种解决大规模稀疏矩阵降维问题的实用方法,该方法使用核心集来近似计算矩阵的降维近似值,是计算低秩近似的有效算法。
Mar, 2015
本研究提出了一种基于稀疏约束变分推断视角的 Riemannian coresets 构建算法,与过去的方法相比,该算法不需要一个合理的后验近似。实验结果表明,提出的算法能够不断改善 coreset,大大减小 KL 散度,从而提供最先进的 Bayesian 数据集概括。
Jun, 2019
本研究提出了一种基于双层优化的核心集构建方式,可以高效产生适用于深度神经网络的小数据摘要,在连续学习和数据流场景中具有实际好处。
Jun, 2020
本研究提出一种称为 coresets 的降维方法,可用于在高维欧几里得空间中降低大量数据点的大小,适用于多种数据分析技术,包括 k-means 聚类、主成分分析和子空间聚类,并允许流式处理或分布式算法,其大小与输入点的数量和维度无关。
Jul, 2018