高效动态聚类：从历史聚类演变中捕获模式

Mar, 2022

高效动态聚类：从历史聚类演变中捕获模式

Efficient Dynamic Clustering: Capturing Patterns from Historical Cluster Evolution

Binbin Gu, Saeed Kargar, Faisal Nawab

TL;DR本文提出了一种动态聚类方法 DynamicC，它使用基于机器学习的模型，通过观察基于批处理算法的聚类决策来训练模型，在高速动态场景下进行快速准确的聚类决策。在四个真实世界数据集和一个人工合成数据集上的实验证明，DynamicC 方法相比基线批处理算法有更好的性能，同时达到了类似的准确聚类结果。

Abstract

clustering aims to group unlabeled objects based on similarity inherent among them into clusters. It is important for many tasks such as anomaly detection, database sharding, record linkage, and others. Some clustering<

clustering dynamic high-velocity machine learning incremental

发现论文，激发创造

增量聚类：额外聚类的情况

本文研究了增量聚类方法的优缺点，发现增量聚类方法相对于批处理模型存在明显的劣势，即无法识别一类基本的聚类结构，但是可以通过增加聚类实现对增量聚类方法的限制的克服。

Jun, 2014

自适应进化聚类

本文提出了一种基于追踪对象间时间变化相似度并结合静态聚类的进化聚类方法，并使用缩减估计法自适应估计最优平滑参数，实验表明该方法在许多场景下优于静态聚类和已有的进化聚类方法。

Apr, 2011

动态环境中的聚类：异质变化数据集生成框架

本研究提出了动态数据集生成器（DDG），用于模拟各种动态场景，帮助解决在动态环境中的聚类问题。

Feb, 2024

高效的层次聚类主动算法

该研究提出了一个基于层次聚类和谱聚类算法的框架，来解决大型数据集处理的问题，该算法在小型数据子集上运行，具有较高的性能、测量复杂度和运行时复杂度。经过广泛的实验验证，该框架实际上非常具有吸引力。

Jun, 2012

视频轨迹分析的在线序列聚类算法

本文提出了一种轻量级实时视频分析方案，利用从运动模式中学习到的模型来监视对象的行为，以实现实时表示和预测，并基于离散序列的序列聚类算法使系统具有连续的在线学习能力，并利用目标对象轨迹的内在可重复性在特征提取、聚类学习和模型应用的三个过程中自动构建行为模型。

May, 2023

基于 Granular-Ball 的高效自适应聚类算法 GBC

提出了一种新的聚类方法，名为自适应基于颗粒 - 球分化的聚类方法，能够高效识别形状未知、复杂的聚类，同时提供了一种有效的自适应方法来描述世界，并促进了自适应、高效的 AI 技术及密度计算模型的研究和发展。

May, 2022

点形式数据的聚类

本文提出了两种点模式聚类的方法，一种是基于集合的新距离的非参数方法，另一种是基于随机有限集理论的模型方法，并在数值实验中得到验证。

Feb, 2017

基于聚类的数据流分类框架

本文提出了一种基于聚类的数据流分类框架，通过采用基于密度的流聚类算法，结合动态阈值和有效的主动标签查询策略，处理非平稳数据流，解决了标注的初始集问题和重叠类别之间的分类挑战。同时对聚类中的子簇结构进行探索，有效的解决了类别之间的重叠问题。实验结果和定量比较研究表明，该方法提供了比现有方法更好或可比较的性能。

Jun, 2021

数据流聚类：一篇综述

该文综述了数据流聚类算法的基本概念和特点，对不同算法进行了对比分析，讨论了数据流聚类存在的问题和挑战。

Jul, 2020

利用集群系统识别学习个性化模型

该研究提出了一种从观察多种系统动态下的轨迹中学习线性系统模型的算法，其中系统根据相似性被分为不同的簇，并推导出一种通过估计系统簇身份并估计动态来更新每个簇模型的方法，从而实现更高效和个性化的系统识别过程。

Apr, 2023