半监督约束聚类：深入概述，分类排名和未来研究方向

Feb, 2023

半监督约束聚类：深入概述，分类排名和未来研究方向

Semi-Supervised Constrained Clustering: An In-Depth Overview, Ranked Taxonomy and Future Research Directions

Germán González-Almagro, Daniel Peralta, Eli De Poorter, José-Ramón Cano, Salvador García

TL;DR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。

Abstract

clustering is a well-known unsupervised machine learning approach capable of automatically grouping discrete sets of instances with similar characteristics. Constrained clustering is a semi-supervised extension t

clustering unsupervised learning constrained clustering pairwise constraints validation

发现论文，激发创造

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

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

可解释聚类的最优决策树

本文提出了一种新的基于 SAT 的可解释聚类框架，支持聚类约束，同时提供强有力的解决方案质量理论保证，并给出了关于解释性和满足用户约束之间权衡的新见解。

Jan, 2023

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

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

深度聚类综述：分类，挑战和未来方向

本文综述了深度聚类的最新研究进展、方法分类和实验设置，讨论了深度聚类的应用和未来方向。

Jun, 2022

走向可解释聚类：基于约束声明的方法

我们提出了一种基于解释驱动的集群选择的解释可调的约束聚类方法，该方法能够生成高质量的且可解释的聚类，其中聚类结果考虑了特征的覆盖率和区分度，并能够整合领域专家知识和用户约束。

Mar, 2024

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

凸约束下的谱聚类

我们引入了一种能够很好地将约束引入到半定谱聚类的新框架，通过扩展半定谱聚类的能力来捕捉复杂的数据结构，以更有效地解决现实世界中的聚类挑战。此框架在各种真实数据集和学习场景中展示了超越现有光谱聚类方法的优越性，为处理复杂聚类问题提供了一种多功能工具。

Apr, 2024

带有约束条件的贝叶斯众包

本文探讨半监督众包分类在标签约束和实例约束两种情况下的贝叶斯算法，该算法基于变分推断，可以比无监督众包分类更有效地对人工注释信息进行聚合，该算法在多个众包数据集上的分析和实证验证了其表现的可量化提升。

Dec, 2020