通过探索密度山的演变对数据流进行聚类

Oct, 2017

通过探索密度山的演变对数据流进行聚类

Clustering Stream Data by Exploring the Evolution of Density Mountain

Shufeng Gong, Yanfeng Zhang, Ge Yu

TL;DR本文提出了一种基于密度山演化的流式聚类算法 EDMStream，该算法通过跟踪密度山的变化来更新聚类结果和捕捉聚类演化活动，同时提供了高效的数据结构和过滤方案，确保了实时更新，实现了在线聚类。实验结果表明，相比于现有的流式聚类算法，如 D-stream，DenStream，DBSTREAM 和 MR-stream，我们的算法对于群集更新的响应速度快得多（比竞争对手的最佳表现快 7-15 倍），同时达到了相当的群集质量，成功捕捉了群集演化活动。

Abstract

stream clustering is a fundamental problem in many streaming data analysis applications. Comparing to classical batch-mode clustering, there are two key challenges in stream clustering: (i) Given that input data

stream clustering incremental updates cluster evolution density mountain real-time clustering

发现论文，激发创造

基于聚类的数据流分类框架

本文提出了一种基于聚类的数据流分类框架，通过采用基于密度的流聚类算法，结合动态阈值和有效的主动标签查询策略，处理非平稳数据流，解决了标注的初始集问题和重叠类别之间的分类挑战。同时对聚类中的子簇结构进行探索，有效的解决了类别之间的重叠问题。实验结果和定量比较研究表明，该方法提供了比现有方法更好或可比较的性能。

Jun, 2021

数据流聚类：一篇综述

该文综述了数据流聚类算法的基本概念和特点，对不同算法进行了对比分析，讨论了数据流聚类存在的问题和挑战。

Jul, 2020

数据流聚类：挑战和问题

本文探讨数据流聚类的不同问题定义、特定困难以及各种方法的基础，以及如何解决不同问题。

Jun, 2010

SMOClust: 基于流聚类的演化数据流的合成少数类过采样

通过流聚类技术提出了一种适应漂移且能处理类别不平衡的过采样策略，在人工和真实数据流实验中表明该方法能更好地处理涉及不同类别滴分的概念漂移情况，尤其在严重类别不平衡和存在大量安全和边缘少数类实例的数据流上。

Aug, 2023

一个用于图聚类的流算法

我们提出了一种新的算法，用于在单次遍历的边流设置中执行图聚类，并基于模块度函数提供了理论上的解释。我们对从一百万到十亿边的大规模现实生活图表进行实验，并展示了该算法比现有算法运行速度快十倍以上，并可在最大的图表上获得相似或更好的检测分数。