Mar, 2022

无需一对一约束松弛的约束聚类和多核学习

PDF
TL;DR本文提出了一种新的受限聚类算法，该算法可以在考虑已有对比信息的情况下最大程度地满足约束条件，而不会将已知的链接信息转化为距离信息，以此来高效地学习核与度量，并在各种公共数据集上的表现明显优于现有方法。同时，本文还探讨了该方法如何应用于大数据处理，可以有效提高可扩展性。
发现论文，激发创造
  • 公平性、半监督学习以及更多：一般的随机成对约束聚类框架

    提出了一种新颖的随机成对约束方法，用于多个关键聚类目标函数，可用于建模应用程序的收缩和分析，如聚类中的公平性和半监督学习中的 Must-link 约束，并提供了近似算法的具有可证明保证的通用框架。

    Mar, 2021

  • 利用两种背景知识的半监督聚类：融合成对约束和单调性约束

    本研究提出了一种新方法来解决在存在成对约束和单调性约束时执行聚类的问题，通过定义一种特定的距离测量方法并设计目标函数实现了这一目的，并使用 EM 优化算法进行优化，该方法在多个基准数据集和一个现实世界的案例中进行了测试。

    Feb, 2023

  • 使用相对比较的半监督核度量学习

    提出了一种通过使用相对距离约束来学习核矩阵的有效算法来解决度量学习问题，并在半监督聚类设置中进行了实验评估以验证其有效性。

    Dec, 2016

  • 基于神经网络的成对约束聚类

    本文介绍了一种基于神经网络的端到端聚类框架，该框架可从原始数据中推动形成聚类，且无需提前定义聚类中心，具有较好的性能且对聚类数量不敏感。

    Nov, 2015

  • 半监督约束聚类：深入概述，分类排名和未来研究方向

    本文详细介绍了约束聚类算法的背景和各种可用约束类型的评级分类，重点研究了基于实例级对偶约束的约束聚类及应用程序和历史背景，并对 307 种约束聚类方法进行了统计分析，根据其受欢迎程度和验证质量对其进行了分类和排名评分，最后提供了潜在的陷阱和未来的研究方向。

    Feb, 2023

  • 关于约束的谱聚类及其应用

    本文介绍了一种明确将 Must-Link 和 Cannot-Link 约束作为约束优化问题部分的灵活的约束光谱聚类方法，通过广义特征分解，在多个数据集上取得了较好的结果。

    Jan, 2012

  • 具有背景知识的高效 $k$- 中心聚类

    在这项工作中，我们在广泛采用的 $k$- 中心聚类的基础上构建其输入的背景知识作为必连（ML）和禁连（CL）约束集，并通过使用一系列技术，包括反支配集、线性规划整体多面体和线性规划对偶，得出了第一个具有最佳比例 2 的约束 $k$- 中心的高效逼近算法。我们还构建了竞争性基准算法，并在各种真实数据集上对我们的逼近算法进行了实证评估。结果验证了我们的理论发现，并展示了我们的算法在聚类成本、聚类质量和运行时间方面的巨大优势。

    Jan, 2024

  • 受约束的 1 - 谱聚类

    本文拓展了经典的谱聚类方法，将不能链接和必须链接约束整合到了聚类中，并通过松弛优化问题获得了一种新的连续性方法，相比其他约束谱聚类方法，该方法能够保证满足所有约束条件并且可以快速处理大规模数据集。

    May, 2015

  • 一种概率约束聚类方法用于迁移学习和图像类别发现

    本研究提出了一种针对深度网络和大量类别进行优化的聚类目标函数，通过对成对约束条件的负对数似然最小化来优化聚类分配，具有优秀的可扩展性和性能。

    Jun, 2018

  • 深度约束聚类框架 —— 算法和新进展

    这篇论文介绍了一种基于深度学习的约束聚类框架，可应用于连续数据和高层领域知识等不同类型的约束条件，相比基于传统算法的方法，效果更好。

    Jan, 2019