相关聚类推广
该论文提出了一种新的线性规划松弛四舍五入方案,解决了相关聚类问题的近似算法问题和完整性间隙问题,从而在完全图中实现了 2.06-ε 的近似度,而在完全 $k$- 部分图中实现了 3 的近似度。
Dec, 2014
本文引入了一种新的聚类范式 —— 模式聚类,该文章探讨了模式聚类在社交网络社区分析中的应用,以及通过模式覆盖算法实现的重叠聚类与潜在特征推断等问题。
Dec, 2016
本研究提出了更快的近似算法,避免了其最佳逼近算法所依赖的不切实际的线性规划放宽,为两个经过充分研究的特殊情况 —— 聚簇编辑和聚簇删除提供了更快、更实用、更高效的线性规划算法及极具可扩展性的组合技术,包括聚簇删除的第一个组合逼近算法,实际应用中,我们的算法产生了近乎与质量最佳算法相匹配的近似解,同时适用于数量级更大的问题。
Nov, 2021
本文研究了用于相关聚类问题的并行算法,其中每个不同实体的每对实体都标记为相似或不相似,旨在将实体分成簇以最小化与标签的不一致性,提出了首个多项式对数深度并行算法,并使用比 3 更好的逼近比计算 (2.4 +ϵ) 逼近解,可以将其转换为 (m1.5) 时间顺序算法和带有 (m1.5) 总内存的多项式对数轮次亚线性内存计算算法。
Jul, 2023
本文提出了一种基于大规模并行计算 (MPC) 的算法,用于解决相关聚类问题。该算法的主要目标是利用签名图对图进行分区以最小化争议数量。在实验中,该算法同时试图减少节点内存的使用率。我们的算法是第一个在亚线性存储器中运行且使用有限的 MPC 轮数可以证明近似计算聚类问题方法的一种。
Jun, 2021
本文提出了一种面向多个图形的一般图级聚类框架,名为 GLCC,它使用对比学习技术,包括实例级和聚类级联合优化表示学习,以及使用邻域感知伪标签来奖励优化表示学习的过程。实验证实,GLCC 比其他竞争基线方法表现更好。
Oct, 2022
我们介绍了一种用于最小最大相关聚类问题的下界技术,并基于此技术提出了一种完全图的组合 4 近似算法。我们通过贪婪连接启发式算法扩展了这个算法,并在几个基准数据集上实证表明它提高了解决方案的质量和运行时间,改进了现有的技术水平。
Oct, 2023