本文提出了一种在精简边界的 $k$-nearest neighbor graph 中基于局部统计的数据代表子集的近似谱聚类算法的方法,以提高其计算效率,且在人工合成的测试数据集和真实数据集中实验表明与常规方法相比较,该方法具有性能一致性和较少边界数量的特点。
Feb, 2023
本研究利用神经网络分离数据内嵌,提出了一种基于 rpTree 相似性度量的 SpectralNet 相似性度量方法来进行图聚类,实验证明,与基于距离度量的 $k$-nn 图相比,基于 rpTrees 的 SpectralNet 能够获得更好的聚类准确性。
本篇论文提出了一种名为 SpectralNet 的深度学习方法,通过在大量的未标注数据上训练,将输入的数据转换为与其相连的图拉普拉斯矩阵的特征空间的向量,并成功地应用于谱聚类,实现了对谱聚类中可扩展性以及广义化转化的双重突破。
Jan, 2018
本文提出了一种基于图信号处理的方法,采用图滤波和随机采样技术加速生成 Laplacian 矩阵特征向量和 k-means 聚类算法步骤,该方法在控制误差的同时计算时间效率可达到数个数量级的提升,并在人工合成数据和真实网络数据集上进行测试。
Feb, 2016
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
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
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。
Jun, 2020
本文提出了一种改进的光谱聚类算法,旨在解决预定义的相似性图可能不是合适的聚类结果,并且传统离散化解决方法与光谱解决方案可能不一致的问题,并引入多核学习来解决如何选择最适合特定数据集的核的应用挑战。实验结果表明,该方法相比于现有的聚类方法具有更好的性能。
Nov, 2017
本文提出了四种无正交化方法来替代常用的成本较高的特征值计算,达到降维和聚类的目的,并在数值结果中表明,这些方法在聚类质量和计算成本方面优于传统方法。
May, 2023
本文提出了一个简单的分布式算法,基于采样方案将输入的密集图转化为稀疏的子图,并在多项式对数回合内完成图的聚类,同时具有高效的实现和处理大数据集的广泛应用。