Mar, 2019

超大规模光谱聚类与集成聚类

PDF
TL;DR该研究提出了两种新算法，U-SPEC 和 U-SENC，用于解决极大规模数据集的光谱聚类的可扩展性和稳健性问题，其中 U-SENC 在提高可靠性的同时保持高效性，并且这两种算法具有近乎线性的时间和空间复杂度。
spectral clusteringscalabilityensemble clusteringrepresentative selection strategylarge-scale datasets
发现论文，激发创造
  • 快照谱聚类 —— 一种生成深度聚类集合的零成本方法

    本文探讨了如何通过使用深度学习技术和多视图融合的集成学习方法来改善聚类结果，提出了一种新的快照谱聚类集成方法（Snapshot Spectral Clustering），实验结果表明该方法有效地提高了聚类性能和减少了计算成本。

    Jul, 2023

  • 带最优图的统一谱聚类

    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。

    Nov, 2017

  • 近似谱聚类：效率和保证

    ASC 是一种用于图分区的启发式算法，其包含两个子程序，即通过幂方法计算近似的谱嵌入，并使用近似的 k-means 聚类算法对 resulting vector set 进行分区，通过其得到的 k-means 分区自然地引发了 G 中的 k-way 节点划分。

    Sep, 2015

  • 凸稀疏谱聚类：从单视角到多视角

    本文提出了基于稀疏正则化的稀疏谱聚类方法 (SSC)，并提出了基于凸放射包络的凸 SSC 模型，使其可以高效地使用交替方向乘法更新。最后，我们将 SSC 扩展到多视角信息下，提出了成对稀疏谱聚类 (PSSC)，并通过在多个真实数据集上进行实验对我们提出的方法进行了证明。

    Nov, 2015

  • 特征向量选择和自适应 $k$ 的近似谱聚类

    该论文提出了一种利用两个相关指标来估算子空间嵌入中的聚类数，使用增长型神经气 (GNG) 逼近的算法，有效地解决了聚类问题，并在效率上与手动设置 k 的相似方法竞争。

    Feb, 2023

  • 基于特征值的增量谱聚类

    基于子集集合的归一化特征值谱，我们提出了一种增量谱聚类方法，将数据分成可管理的子集，对每个子集进行聚类，根据特征值谱的相似性合并不同子集的聚类结果，从而实现整个数据集的聚类。实验结果表明，该方法能够获得接近整个数据集聚类结果的子集聚类和合并。

    Aug, 2023

  • 改进的谱聚类算法分析

    本文探讨了基于谱算法的图分割技术，阐述了相关算法在数据分析中的应用，通过对图的一定假设条件，通过优化谱嵌入图算法的表现提供更好性能保证。

    Dec, 2019

  • SpectralNet：使用深度神经网络进行谱聚类

    本篇论文提出了一种名为 SpectralNet 的深度学习方法，通过在大量的未标注数据上训练，将输入的数据转换为与其相连的图拉普拉斯矩阵的特征空间的向量，并成功地应用于谱聚类，实现了对谱聚类中可扩展性以及广义化转化的双重突破。

    Jan, 2018

  • K-SpecPart：一种用于多向超图划分改进的监督谱框架

    本文提出 K-SpecPart，一个基于监督的谱框架，通过解决广义特征值问题，捕捉低维度顶点嵌入中的平衡分区和全局超图结构，从而缓解现有超图划分方法所面临的局部结构和局部最小值问题。数个实验研究显示，K-SpecPart 在双划分和多划分任务中表现优异，特别是在多划分任务中，K-SpecPart 的性能较之 hMETIS 和 KaHyPar 提升高达 20%。

    May, 2023

  • 通过参数化谱聚类实现高效和增量的谱聚类

    提出了一种名为参数化谱聚类（PSC）的新方法，该方法扩展了谱聚类的能力，解决了大数据和实时场景中的挑战，并实现了与标准谱聚类相当的计算效率。PSC 具有增量聚类和实时数据分析应用的重要潜力，为动态和演化数据集中的及时和准确的聚类提供支持。

    Nov, 2023