谱保持数据压缩加速支持向量聚类
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
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
基于子集集合的归一化特征值谱,我们提出了一种增量谱聚类方法,将数据分成可管理的子集,对每个子集进行聚类,根据特征值谱的相似性合并不同子集的聚类结果,从而实现整个数据集的聚类。实验结果表明,该方法能够获得接近整个数据集聚类结果的子集聚类和合并。
Aug, 2023
本文研究自适应压缩感知的结构化信号支持恢复问题。我们研究了几类结构化支持集,表征了通过压缩测量准确恢复此类集合的基本限制,并同时提供了表现接近最优的自适应支持恢复协议。我们表明,通过自适应设计传感矩阵,我们可以获得比非自适应协议更显着的性能增益。这些增益源于自适应感知可以更好地减轻噪声的影响,并更好地利用支持集的结构。
Oct, 2014
本文提出了一种基于相关性阈值和谱聚类算法的低复杂度聚类算法,可将高维数据点聚类成低维线性子空间的集合,并成功处理了子空间相交和数据点缺失的问题,同时还提出一种检测异常值的方案。
Mar, 2013
提出了一种名为参数化谱聚类(PSC)的新方法,该方法扩展了谱聚类的能力,解决了大数据和实时场景中的挑战,并实现了与标准谱聚类相当的计算效率。PSC 具有增量聚类和实时数据分析应用的重要潜力,为动态和演化数据集中的及时和准确的聚类提供支持。
Nov, 2023