从树到连续嵌入再回归：双曲线分层聚类

Oct, 2020

从树到连续嵌入再回归：双曲线分层聚类

From Trees to Continuous Embeddings and Back: Hyperbolic Hierarchical Clustering

Ines Chami, Albert Gu, Vaggos Chatziafratis, Christopher Ré

TL;DR该研究提出了一种名为 HypHC 的方法，将传统的基于启发式算法的相似性层次聚类问题转化为一个离散优化问题，并通过连续松弛技术获得全局最优解，该方法通过超蜂窝嵌入实现了离散树到连续表示的映射，并采用解码算法通过叶节点嵌入到树状图的映射，实现了连续优化用于搜索离散二进制树的空间。

Abstract

similarity-based hierarchical clustering (HC) is a classical unsupervised machine learning algorithm that has traditionally been solved with heuristic algorithms like Average-Linkage. Recently, dasgupta reframed

发现论文，激发创造

针对良好聚类图的近似最优层次聚类

本文提出两种高效的分层聚类算法，针对 Dasgupta 成本函数。对于任何有明确集群结构的输入图 G，我们设计的算法在 G 的输入大小几乎为线性的时间内运行，并返回一个相对于 Dasgupta 成本函数的 O (1) 近似 HC 树。我们将我们的算法的性能与先前的最新技术在合成和真实世界的数据集上进行比较，并表明我们设计的算法在更短的运行时间内产生了相当或更好的 HC 树。

Jun, 2023

一种改进的层次聚类树代价函数

提出了一种新的代价函数，基于 Dasgupta 的代价函数，解决了旧代价函数无法度量原始相似图与分层结构一致性的问题，并提出了一个多项式时间算法进行计算。

Dec, 2018

对比多视角双曲分层聚类

本论文提出了一种基于神经网络的模型（Contrastive Multi-view Hyperbolic Hierarchical Clustering, CMHHC），应用于多视角数据的超几何层次聚类，通过对多个视角的样本级表示进行对比来捕获不变性信息，并将其嵌入到超几何空间中进行聚类，并且将最优化的超几何嵌入解码成二分聚类树结构。实验结果表明该方法及其组成部分的有效性。

May, 2022

分层聚类优于平均链接

本文研究了层次聚类问题，尤其是针对与平均链接聚类相关的性能和基于相似性和相异性的目标提出了新的算法，可以获得更好的结果。

Aug, 2018

利用超维度计算的鲁棒聚类

本研究提出了基于超维计算的聚类算法，通过利用编码数据的相似性确定初始聚类超维，并通过实验证明相似性传播聚类算法在八个数据集上的聚类精度优于其他算法，提高了聚类算法的准确性。

Dec, 2023

层次聚类的数据聚合

使用 BETULA 数据聚合算法进行数据聚类，使得在资源受限的系统上使用层次凝聚聚类方法成为可能，仅在聚类质量上有轻微损失，并且允许对非常大的数据集进行探索性数据分析。

Sep, 2023

分层聚类：目标函数和算法

本篇论文研究层次聚类的优化问题，通过提出一些可靠的任务目标函数并对实际算法进行分析，提供了更优的算法以及性能表现。