KDDJun, 2020

谱聚类的平均灵敏度

PDF
TL;DR通过对拉普拉斯特征值极小值的研究，以平均灵敏度为指标，探究了谱聚类方法对于边缘扰动的稳健性，研究结果表明，当输入图像存在簇结构时，谱聚类方法对于边缘扰动是稳定的。
spectral clusteringedge perturbationsaverage sensitivitylaplacian eigenvaluecluster structure
发现论文，激发创造
  • 图算法的平均灵敏度

    对图算法的平均敏感度进行系统研究，并提供了具有低平均敏感度的近似算法，其中主要应用了局部计算算法和已知次线性时间算法的分析方法。

    Apr, 2019

  • 理论与实践中的快速简单谱聚类

    本研究提出了一种基于顶点嵌入的简单谱聚类算法，通过幂法计算的向量，在接近线性时间内计算顶点嵌入，并在输入图形的自然假设下，算法能够可靠地恢复出真实聚类结果。通过在多个合成和现实世界数据集上的评估发现，该算法与其他聚类算法相比，具有显著更快的速度，并且产生的聚类准确度基本相同。

    Oct, 2023

  • 小批量谱聚类

    采用自适应随机梯度优化的实用方法可以学习拉普拉斯矩阵的完整光谱，且每个迭代的成本与样本数量成线性关系，实验证明其具备比近似方法更好的计算可扩展性。

    Jul, 2016

  • 谱聚类教程

    该论文介绍了谱聚类算法和图拉普拉斯的基本性质，推导了不同的谱聚类算法，比较了它们之间的优缺点。

    Nov, 2007

  • 谱聚类的更紧密分析，以及更多

    本研究针对典型的谱聚类算法，探讨在一些较弱条件下其性能为何，还研究了利用少于 k 个特征向量进行嵌入的谱聚类，实验表明在合成和真实数据上，使用少于 k 个特征向量时，谱聚类也能够产生相当或更好的结果。

    Aug, 2022

  • 基于 1-Laplacian 的边相关节点权重的超图谱聚类

    提出了一种灵活的超图 1-Laplacian 定义框架，包括依赖于边的顶点权重，以反映超边内不同顶点的重要性，增强了超图模型的表现能力。利用超图 1-Laplacian 的第二个最小特征向量进行聚类，可以实现比传统 Laplacian 更高的聚类精度，而且该方法可以在现实数据集上得到验证。在特定情况下，超图 1-Laplacian 等效于相关图的 1-Laplacian，可以更有效地计算特征向量，方便应用于更大的数据集。

    Apr, 2023

  • 谱聚类的一致性

    本文研究了流行的谱聚类算法的一致性，并开发了新方法来证明谱聚类算法的一致性。结果表明，规范化聚类在非常普遍的条件下是一致的，而未规范化聚类只在强附加假设下是一致的。因此，规范化谱聚类算法是优越的。

    Apr, 2008

  • 大型数据集上的谱聚类：何时有效？来自连续聚类和密度 Cheeger-Buser 的理论

    该研究论文讨论了谱聚类算法在大型随机分布数据集上的表现，提供了一种能够找到数据集潜在密度规律的谱聚类算法，并通过引入 Cheeger-Buser 不等式为所有随机分布提供新的支持。

    May, 2023

  • 基于局部线性逼近的谱聚类

    本文研究了一种基于局部线性逼近残差的高阶谱聚类方法，考虑了聚类过程中的数据噪声和异常值问题，并在实验中验证了该算法具有更好的聚类效果。

    Jan, 2010

  • 使用随机信号的图滤波加速光谱聚类

    本文提出了一种基于图信号处理的快速谱聚类算法，通过使用图滤波器对随机信号进行谱聚类距离矩阵的估计，利用这些随机向量的随机性来估计聚类数目 k，相较于传统谱聚类方法，我们的方法在大规模数据集上表现相当且速度至少快二倍。

    Sep, 2015