本文详细介绍了约束聚类算法的背景和各种可用约束类型的评级分类,重点研究了基于实例级对偶约束的约束聚类及应用程序和历史背景,并对 307 种约束聚类方法进行了统计分析,根据其受欢迎程度和验证质量对其进行了分类和排名评分,最后提供了潜在的陷阱和未来的研究方向。
Feb, 2023
本文介绍了一种明确将 Must-Link 和 Cannot-Link 约束作为约束优化问题部分的灵活的约束光谱聚类方法,通过广义特征分解,在多个数据集上取得了较好的结果。
Jan, 2012
本研究提出了一种针对深度网络和大量类别进行优化的聚类目标函数,通过对成对约束条件的负对数似然最小化来优化聚类分配,具有优秀的可扩展性和性能。
Jun, 2018
我们引入了一种能够很好地将约束引入到半定谱聚类的新框架,通过扩展半定谱聚类的能力来捕捉复杂的数据结构,以更有效地解决现实世界中的聚类挑战。此框架在各种真实数据集和学习场景中展示了超越现有光谱聚类方法的优越性,为处理复杂聚类问题提供了一种多功能工具。
Apr, 2024
本文介绍了一种基于神经网络的端到端聚类框架,该框架可从原始数据中推动形成聚类,且无需提前定义聚类中心,具有较好的性能且对聚类数量不敏感。
Nov, 2015
通过将 $k$-means 聚类算法重写为最优传输任务,并加入熵正则化,我们提出了一种全新的方法,其中嵌入是由深度神经网络执行的,表明与现有的基于软 $k$-means 的最新方法相比,我们的最优传输方法提供更好的无监督准确度,不需要预训练阶段。
Oct, 2019
本文提出一种利用深度神经网络来建模聚类任务中数据间关系从而提高聚类效果的算法,名称为 Deep Discriminative Clustering (DDC)。DDC 采用全局和局部约束对关系进行调整,通过迭代式训练得到高水平的表征,并将其作为聚类中心进行直接聚类。实验证明,DDC 在图像、文本和音频数据集上表现出比当前方法更佳的聚类效果。
May, 2019
本文提出了一种新的受限聚类算法,该算法可以在考虑已有对比信息的情况下最大程度地满足约束条件,而不会将已知的链接信息转化为距离信息,以此来高效地学习核与度量,并在各种公共数据集上的表现明显优于现有方法。同时,本文还探讨了该方法如何应用于大数据处理,可以有效提高可扩展性。
Mar, 2022
本文介绍了 DeepCluster,一种聚类方法,它能够联合学习神经网络的参数和聚类分配,并应用于卷积神经网络在大型数据集上的无监督训练,取得了显著的性能提升。
Jul, 2018
本文综述了深度聚类的最新研究进展、方法分类和实验设置,讨论了深度聚类的应用和未来方向。
Jun, 2022