May, 2023

一步二分图切割：一种标准化的公式及其在可扩展子空间聚类中的应用

PDF
TL;DR本文提出了一种新的一步二分图切割（OBCut）标准，可以在线性时间内强制执行归一化条件，并将其扩展到可扩展的子空间聚类方法中。实验表明，该方法在各种普通和大规模数据集上具有有效性和可扩展性。
bipartite graphspectral clusteringconstrained laplacian ranknormalized cutsubspace clustering
发现论文，激发创造
  • 一种新的带最近邻层次初始化的归一化切割求解器

    我们提出了一种新颖的基于坐标下降法的 N-Cut 求解器，通过设计加速策略将时间复杂度从 O (n^3) 减少到 O (|E|)，并提出了一种高效的初始化方法，该求解器在多个基准数据集上取得了更大的 N-Cut 目标值和更好的聚类性能。

    Nov, 2023

  • 带公平约束的谱归一化 - 割图分割

    我们提出了一种名为 FNM 的二阶段谱算法，通过在目标函数中添加公平性准则来获取更公平的谱节点嵌入，然后设计一个舍入方案从该公平嵌入中生成 k 个簇，从而在维持公平性的同时达到良好的分区质量。通过对九个基准数据集进行全面实验，我们证明了 FNM 相对于三种基准方法的卓越性能。

    Jul, 2023

  • 通过最优输运实现任意尺寸约束的图割

    通过提出一种基于正则化 Gromov-Wasserstein 问题的加速近端梯度下降算法，我们解决了图切割问题，并实现了稀疏解，相较于经典谱聚类算法，额外的复杂度仅为 O (log (n))，但效率更高。

    Feb, 2024

  • 潜在的随机步骤作为最大割、最小割和更多的松弛

    基于非负矩阵分解的概率模型统一了节点聚类和图简化，提供了建模任意图结构的框架。通过将硬聚类放松为软聚类，我们的算法将潜在的困难聚类问题转化为易处理的问题。

    Aug, 2023

  • 利用统一和离散二分图学习实现有效的多视角聚类

    本研究提出了一种通过统一和离散的二分图学习的高效多视图聚类方法，该方法采用基于锚点的子空间学习来学习多视图的特定于视图的二分图，并利用二分图融合来学习具有自适应权重学习的视图一致性二分图；同时，还加入拉普拉斯等级约束以确保离散的簇结构，通过将视图特定的二分图学习，视图一致性二分图学习，和离散集群结构学习同时纳入一个统一的目标函数中，设计了一个高效的最小化算法来解决这个优化问题，并且直接实现了离散聚类解决方案。

    Sep, 2022

  • NeuroCUT: 面向鲁棒图分割的神经方法

    通过一种新框架，NeuroCut，结合了神经网络和强化学习，并具有对不可微分函数的优化能力，从而在图分区问题中表现出色，并在多种分区目标中展现出较强的泛化能力和拓扑鲁棒性。

    Oct, 2023

  • 基于同情保守原则的图像分割平衡剪枝算法

    本文提出 Compassionately Conservative Balanced (CCB) Cut costs 算法，可用于解决图像分割问题，该算法基于 NCut 目标函数，针对单一分区得分问题提出了一种新的解决方法，并通过 BSDS500 数据库中的图像测试验证了其在分割准确性和区域大小方面的优越性。

    Mar, 2018

  • 一种超出最坏情况的图聚类的近线性时间逼近算法

    在半随机图模型中，我们研究了平衡切割问题的精确性和时间复杂度，并且提出了第一个近似线性时间算法，以及与相关问题的拓展应用和对半随机分层随机块模型的聚类目标函数进行近似线性时间 O (1) 近似的方法。

    Jun, 2024

  • 一个基于 SDP 的分支定界算法用于双聚类

    我们提出了一种定制的分支限界算法来解决 $k$-densest-disjoint biclique 问题，通过同时聚类数据矩阵的行和列，找到给定加权完全二分图的 $k$ 个不相交的完全二分子图（称为 bicliques），使它们的密度之和最大化。

    Mar, 2024

  • 不均匀超图聚类与应用

    提出了一种新的超图聚类技术，称为不均匀超图划分，其将不同的代价分配给不同的超图切割，证明了如果不均匀代价满足次模性约束，则不均匀划分产生了最优解的二次近似，并证明了在许多应用中可以获得显着的性能改进。

    Sep, 2017