Feb, 2023

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

PDF
TL;DR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。
clusteringmonotonicity constraintspairwise constraintsdistance measureoptimization
发现论文，激发创造
  • 无需一对一约束松弛的约束聚类和多核学习

    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。

    Mar, 2022

  • 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

  • 利用单调性约束从稀疏数据中学习

    本文通过将定性单调性知识表现为概率分布约束，并将其纳入贝叶斯网络学习算法，从而改善在小规模数据训练下的准确度提升。

    Jul, 2012

  • 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

  • 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

  • 半约束聚类的约束匹配

    本文提出了一种半监督背景下的约束聚类模型 ConstraintMatch，通过使用没有约束的数据和伪约束机制解决了伪标签的确认偏差问题，并采用新的伪标签方法选择信息量高的无约束样本，从而实现了半约束模型训练。作者在多项实验中验证了 ConstraintMatch 在常规聚类和过聚类场景中的有效性，并对其多个组成部分进行了分析。

    Nov, 2023

  • 具有结构约束的分层聚类

    本文研究了带有结构约束条件的层次聚类问题，提出了两种基于优化视角的自顶向下算法，并且通过公式化约束性正则化的方法在存在冲突先验信息的情况下得出了良好的解，同时探讨了基于差异性信息变化的目标函数的变形并进一步优化了当前技术，最后将该方法应用于实际数据集的分类学应用

    May, 2018

  • 平滑优化的鲁棒指标学习

    本文提出了一种称为鲁棒测度学习的方法，旨在从嘈杂的侧面信息中学习距离度量，将学习任务最初制定为组合优化问题，并将其优雅地转换为凸规划问题，提出了一种基于平滑优化的高效学习算法，最后在 UCI 数据集上的实验研究证明了所提出方法的有效性。

    Mar, 2012

  • 基于结构熵的半监督聚类算法在不同约束条件下的应用

    我们提出了一种能够整合不同类型约束的半监督聚类方法 —— 结构熵半监督聚类 (SSE)，通过将常用的成对约束和标签约束统一处理，将约束融入结构熵中，并为其优化设计了相应的目标函数和算法。我们使用九个聚类数据集对 SSE 进行了实验比较，结果表明它在具有不同类型约束时能够获得较高的聚类准确性。此外，我们通过对四个单细胞 RNA 测序数据集进行的细胞聚类实验证明了 SSE 在生物数据分析中的功能。

    Dec, 2023