MMDec, 2022

利用最大似然原则解决 K-means 聚类中的数据不完整问题

PDF
TL;DR采用 MM 原理恢复数据的对称性，以便 K-means 聚类算法在存在不完整数据的情况下高效工作。
k-means clustering algorithmmm principlesincomplete datasymmetry of the dataexperimental verification
发现论文，激发创造
  • 鲁棒自动数据聚类：狄利克雷过程遇见中位数均值

    通过整合基于模型和基于质心的方法，提出了一种高效且自动的聚类技术，解决噪声对聚类质量的影响，并确保无需提前指定聚类数的优点。在模拟和真实数据集上进行了严格评估和统计保证，表明我们提出的方法优于现有先进聚类算法。

    Nov, 2023

  • 基于集体核学习的多不完整数据集聚类

    本文提出了一种名为 “Collective Kernel Learning” 的方法，利用多个不完整数据集的共享实例来推断潜在的样本相似性，进而解决数据集不完整的问题，通过基于该核矩阵的聚类算法，实验结果表明该方法比其他比较算法在规范化相互信息方面性能提高了两倍。

    Oct, 2013

  • 基于 K-modes 算法的聚类

    通过密度和簇分配的概念，提出了一种 K-modes 目标函数算法，能够有效地聚类数据并找到有效的模式，相比于 K-medoids 和 mean-shift 更快且更加鲁棒。

    Apr, 2013

  • 从流形学习的角度重新思考 k-means

    该论文提出了一种基于流形学习和张量正则化的聚类算法，不同于传统的基于 k-means 的方法，该算法通过构建距离矩阵来直接检测数据簇，同时应用于多视图数据中，证明了其优越性能。

    May, 2023

  • 针对大数据的 K-means 优化：一项比较研究

    本文比较分析了大数据背景下 K-means 算法的不同优化技术。通过并行化、逼近和采样方法等不同方法，探讨了克服大数据规模问题的不同途径。通过使用不同基准数据集评估了这些技术的性能，并根据 LIMA 支配准则在速度、聚类质量和可扩展性方面进行比较。结果表明，不同的技术适用于不同类型的数据集，并提供了关于 K-means 大数据聚类中速度和准确性之间权衡的见解。总体而言，本文为从业者和研究人员提供了如何优化大数据应用中的 K-means 的全面指南。

    Oct, 2023

  • 将聚类视为不适定问题：K-Means 算法实验

    本文研究了基于 KMeans 算法的聚类过程作为反问题的特殊情况，探索了通过主成分分析来改进聚类反问题质量的尝试，并比较了两种定量特征选择方法之间的关系。使用神经科学数据库中的功能性磁共振成像范例来验证结果。

    Nov, 2022

  • 无聚类中心的模糊 K 均值聚类

    本文提出了一种新颖的模糊 K-Means 聚类算法，通过距离矩阵计算获得成员矩阵，从而完全消除了对聚类中心的依赖，增强了距离测量和算法的性能与鲁棒性。实验证明了该算法的有效性。

    Apr, 2024

  • Laplacian K-modes 算法聚类

    提出一种新算法 - Laplacian K-modes 聚类算法，它融合了聚类中三种不同的思想：K-means 中的隐式分配变量，mean-shift 中的密度估计，和图拉普拉斯正则化效应中的近邻点相似性分配，该算法可以解决难以聚类的问题，同时提供了一个预测新点的软分配映射。

    Jun, 2014

  • 增强 k-means 的聚类效果

    本技术报告介绍了一种名为增强的 k-means 的算法，该算法是 k-means 和逻辑回归的混合体，通过逻辑回归预测当前聚类标签并使用聚类归属概率来控制后续集群均值的重新估计，能有效提高聚类准确性。该算法在 Python 环境下实现。

    May, 2017

  • K-Means 算法并行化及应用于大数据聚类

    K-Means 聚类使用 LLoyd 算法是一种迭代方法，将给定数据集分成 K 个不同的簇；本文将比较并分析两种不同的方法，一种是基于 OpenMP 的平坦同步方法，另一种是基于 GPU 的并行化方法，通过比较结果测量性能改进。

    May, 2024