基于图聚类的低秩核学习
为解决相似性测量困难及非线性相似性未被充分考虑等问题,在核空间中提出一种模型,同时学习聚类指示器矩阵和相似度信息,并通过多核学习能力进一步扩展模型以选择最合适的内核。该模型可自动完成三个子任务以获得最佳聚类解决方案。
May, 2017
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
本文提出了一种新的MKL框架,通过将每个核定义为一致核的扰动,并为接近一致核的核分配大权重来解决现有算法的各种问题。该框架被集成到用于基于图形的聚类和半监督分类的统一框架中,并在多个基准数据集上得到了实验验证,证实了新框架的优越性。
Jun, 2018
本研究总结了过去 15 年中用于核心基础图分类问题的技术,并在一系列基准测试和新数据集上对几种热门核进行了性能比对,发现对于某些数据集,简单的基准测试经过高斯 RBF 核转换后可以得到竞争性的结果;此外,还对现有的图核进行了实证研究,并据此得出了一个从数据角度出发的核分类方案。最后,基于实验结果,本文为核基础图分类提供了从实践角度出发的指南。
Mar, 2019
这篇综述文章介绍了在结构化数据学习中,图核函数及其相关发展十分引人瞩目和广泛应用。文章总结了近二十年来发展出的几十种图核函数,介绍了图核函数在社交网络及生物信息学等领域的成功应用,并提供了一些有关图核函数的应用和挑战的讨论。
Apr, 2019
提出了一种更有区分性的图学习方法,该方法具有自适应性,可以保留样本之间的成对相似度,并且有效地统一了聚类和图学习,可在不执行进一步聚类步骤的情况下直接从图本身获取聚类指标。
May, 2019
本文提出了一种新的本地样本加权多核聚类(LSWMKC)模型,它在核空间中构建一个共识判别力亲和力图,揭示了潜在的本地结构,并输出一个最优的邻域核,具有自然稀疏属性和清晰的块对角结构。此外,LSWMKC隐式地优化了不同邻居在相应样本上的自适应权重,并表现出比现有的基于核或图形的聚类算法更好的本地流形表示。
Jul, 2022
提出了一种基于核密度估计问题的算法框架,用于构造稀疏近似的全连接相似度图,从而保留其聚类结构,与scikit-learn库和FAISS库的实现相比,在多个数据集上显著提升了性能。
Oct, 2023
在图信号处理(GSP)的背景下,图学习(GL)关注的是从节点观测(即图信号)中推断出图的拓扑结构。然而,数据通常是混合形式,涉及不同的底层结构。这种异质性需要对多个图进行联合聚类和学习。在许多现实应用中,节点侧协变量(即核函数)是可用的,并且必须被纳入考虑,而这并没有在现有的图信号聚类方法中得到解决。为此,受到丰富的K-means框架的启发,我们提出了一种新颖的基于核函数的算法,用于在同时对信号进行分区和为每个簇学习一个图的过程中将节点侧信息纳入考虑。数值实验证明了它相比于现有技术的有效性。
Oct, 2023