CVPRFeb, 2019

利用第一邻居关系实现高效无参数聚类

PDF
TL;DR提出了一种新的聚类方法，可以直接发现数据中的分组，不同于大多数现有的聚类算法，该方法不需要任何超参数、距离阈值和 / 或指定聚类数，该算法属于层次凝聚方法，在不同领域的公认数据集上评估表明性能大幅提高。
发现论文，激发创造
  • 高维数据降维的层次最近邻图嵌入方法

    提出了一种基于层次结构的 1 - 最近邻图的新方法，可以在保留数据分布多个级别的分组属性的同时，实现具有可解释机制、可视化品质高、运行速度快且可用于多种场景的非监督降维技术，并在不同规模、不同维度的多个数据集上进行了性能比较。

    Mar, 2022

  • 无聚类中心的模糊 K 均值聚类

    本文提出了一种新颖的模糊 K-Means 聚类算法，通过距离矩阵计算获得成员矩阵，从而完全消除了对聚类中心的依赖，增强了距离测量和算法的性能与鲁棒性。实验证明了该算法的有效性。

    Apr, 2024

  • 最近邻聚类树剪枝

    通过统计分析，我们揭示了 k-NN 图的某些子图如何构成底层点分布簇树的一致估计量，并通过慎重选择聚类树的剪枝方式，旨在同时保证删除所有虚假的簇结构并恢复显著的簇，从而在聚类领域得到了首个有限样本的结果。

    May, 2011

  • 利用邻域树的关系聚类表达差异性测量

    本文介绍了一种新的关系数据相似度量，该相似度量包括属性相似度、关系上下文相似度和超图中的近邻性，并实验验证了它在不同类型数据集上聚类质量的影响，结果表明使用该相似度可以产生更好的聚类效果，优于现有的相似度测量方法。

    Apr, 2016

  • 基于神经网络的成对约束聚类

    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

  • 一种无需参数的自适应共振理论基于拓扑聚类的算法，能够进行连续学习

    本文提出一种基于自适应共振理论的无需预先设定参数的拓扑聚类算法，通过引入参数估计方法实现连续学习，实验结果显示该算法比现有聚类算法有更好的聚类性能。

    May, 2023

  • 基于参数化 Lloyd 家族的数据驱动聚类

    本文研究了基于度量空间中的聚类点的算法和优化，提出了一种通用的类 Lloyd 算法的无限算法族，利用有效的学习算法从特定于应用程序的聚类实例分布中学习到了最佳聚类算法，包括著名的 k-means ++ 算法及其它。

    Sep, 2018

  • 一种面向关系的开放式关系抽取聚类方法

    本文提出一种关注于关系的聚类方法，使用已标注的关系数据训练模型，使聚类结果更符合关系的语义类别，旨在提高开放关系提取的准确性和效率。

    Sep, 2021

  • 分布式聚类与异常检测的实用算法

    本文提出了一种基于简要构建的数据摘要的分布式无监督学习算法，对异常点的全局识别有很好的近似保证，并在真实和人工数据上超过了所有基线算法。

    May, 2018

  • 并行大规模排序和选择的高效聚类与征服程序

    提出了一种新颖的 “聚类与征服” 程序，用于并行大规模排名和选择（R＆S）问题，利用相关信息进行聚类以提高样本效率。在大规模 AI 应用中，我们的过程版本甚至超过了全序列基准，表现出更高的样本效率。同时，我们还提出了一种针对大规模问题的并行少样本聚类算法。

    Feb, 2024