带最优图的统一谱聚类

AAAINov, 2017

Unified Spectral Clustering with Optimal Graph

Zhao Kang, Chong Peng, Qiang Cheng, Zenglin Xu

TL;DR本文提出了一种改进的光谱聚类算法，旨在解决预定义的相似性图可能不是合适的聚类结果，并且传统离散化解决方法与光谱解决方案可能不一致的问题，并引入多核学习来解决如何选择最适合特定数据集的核的应用挑战。实验结果表明，该方法相比于现有的聚类方法具有更好的性能。

Abstract

spectral clustering has found extensive use in many areas. Most traditional spectral clustering algorithms work in three separate steps: similari

发现论文，激发创造

为解决相似性测量困难及非线性相似性未被充分考虑等问题，在核空间中提出一种模型，同时学习聚类指示器矩阵和相似度信息，并通过多核学习能力进一步扩展模型以选择最合适的内核。该模型可自动完成三个子任务以获得最佳聚类解决方案。

May, 2017

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

我们提出了一种在组公平性约束下进行谱聚类的方法，通过从噪声数据中学习图构造方法和将传统的公平谱聚类的各个阶段整合到一个端到端的框架中，处理原始数据并输出离散的聚类标签。实验证明我们的模型优于现有的公平聚类方法。

Nov, 2023

基于一阶优化算法，我们提出了第一个非启发式方法，将原始问题与离散化算法联系起来，从而更可靠地获得最终的离散解决方案，优于现有方法。

Oct, 2023

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

通过将数值和类别信息结合到谱聚类算法中，本文提出一种新的方法来处理混合数据，避免了数据预处理或使用复杂的相似性函数，并展示了相应的聚类目标函数和线性时间复杂度的算法。与其他相关方法相比，实验证明该算法在性能和运行时间上具有竞争力。

Mar, 2024

该研究论文讨论了谱聚类算法在大型随机分布数据集上的表现，提供了一种能够找到数据集潜在密度规律的谱聚类算法，并通过引入 Cheeger-Buser 不等式为所有随机分布提供新的支持。

May, 2023

提出了一种更有区分性的图学习方法，该方法具有自适应性，可以保留样本之间的成对相似度，并且有效地统一了聚类和图学习，可在不执行进一步聚类步骤的情况下直接从图本身获取聚类指标。

May, 2019

本文提出了一种新的多视图谱聚类模型，该模型可以同时进行图融合和谱聚类，以挖掘多视图数据中的异质信息和显式聚类结构，进而打破现有算法在多视图数据中的局限性。

Sep, 2019

本文提出了一种在精简边界的 $k$-nearest neighbor graph 中基于局部统计的数据代表子集的近似谱聚类算法的方法，以提高其计算效率，且在人工合成的测试数据集和真实数据集中实验表明与常规方法相比较，该方法具有性能一致性和较少边界数量的特点。

Feb, 2023