AAAINov, 2017

Epanechnikov 均值漂移的收敛性

PDF
TL;DR本论文分析了 Epanechnikov Mean Shift 算法的收敛行为，提出了一种修正方案使其保证在有限次迭代内在估计密度的局部最大值处结束，而无需从每个数据点开始进行迭代，具有很好的聚类准确性。
epanechnikov mean shiftclusteringkernel density estimatornon-smoothnessconvergence behavior
发现论文，激发创造
  • 均值漂移的收敛分析

    本文研究了平均漂移算法中核密度估计模态的收敛性问题，通过 Lojasiewicz 不等式证明了模态的收敛性和收敛速度，该结论对基于核密度估计模态估计的非负核函数具有重要的理论参考价值。

    May, 2023

  • 一篇聚类算法的均值漂移综述

    本文讨论了基于核密度估计和均值漂移算法的聚类方法及其理论，包括模糊和非模糊均值漂移、高斯混合模型、与尺度空间理论、谱聚类等算法的联系，以及对大型数据集的加速策略和图像分割、去噪等应用。

    Mar, 2015

  • 随机均值漂移聚类

    本研究提出了一种基于随机版本均值漂移聚类算法，与确定性的均值漂移聚类相比，在合成的二维和三维数据集上进行了集群纯度和类数据纯度的比较，发现随机均值漂移聚类在大多数情况下优于确定性均值漂移。

    Dec, 2023

  • 基于特征加权均值漂移算法的高维数据自动聚类

    我们提出了一种简单而优雅的特征加权变体均值漂移算法，可有效学习特征的重要性，从而将均值漂移的优点扩展到高维数据，其不仅优于传统的均值漂移聚类过程，而且还保留了计算上的简单性。此外，所提出的方法具有严格的理论收敛保证和至少三次收敛速率。

    Dec, 2020

  • Laplacian K-modes 算法聚类

    提出一种新算法 - Laplacian K-modes 聚类算法，它融合了聚类中三种不同的思想：K-means 中的隐式分配变量，mean-shift 中的密度估计，和图拉普拉斯正则化效应中的近邻点相似性分配，该算法可以解决难以聚类的问题，同时提供了一个预测新点的软分配映射。

    Jun, 2014

  • 模糊均值偏移的收敛性分析

    该研究分析了模糊均值漂移（BMS）算法作为优化过程的收敛性质，并提供了即使数据点序列收敛到多个点，产生多个聚类的收敛保证，同时还利用了收敛点的几何特征来展示 BMS 算法的快速收敛。

    Feb, 2024

  • 论模糊均值漂移过程的收敛性和一致性

    本文中，我们聚焦于模糊均值漂移算法，并证明了其收敛性和一致性，并进行模拟研究比较了模糊和非模糊版本的均值漂移算法效率高低，结果表明，模糊均值漂移算法更加高效。

    May, 2013

  • Quickshift++: 基于样本的均值漂移确证好的初始化

    我们为 Quick Shift 聚类算法提供初始种子，以近似数据的局部高密度区域。这些种子作为比 Quick Shift 找到的单例模式更稳定和具有表现力的群集核心。 我们为这种修改建立了统计一致性保证。 然后，我们展示了在实际数据集上的强大群集表现，以及应用于图像分割的有前途的应用。

    May, 2018

  • 基于 K-modes 算法的聚类

    通过密度和簇分配的概念，提出了一种 K-modes 目标函数算法，能够有效地聚类数据并找到有效的模式，相比于 K-medoids 和 mean-shift 更快且更加鲁棒。

    Apr, 2013

  • 基于平衡 k 均值的不均衡数据聚类

    平衡 K-means（EKM）是一种新颖且简单的 K-means 类型算法，通过减少大簇中心聚集的趋势，在不平衡数据上显著改善聚类结果。该论文还介绍了 HKM、FKM 和 EKM 的统一视角，展示它们本质上是梯度下降算法，并与牛顿法有明确的关系。通过将高维数据映射到低维、适合 EKM 的空间，使用 EKM 进行深度聚类可在不平衡数据上将聚类准确性提高 35%。

    Feb, 2024