Aug, 2023

基于参数熵的 k-means 聚类图像数据集的聚类中心初始化

PDF
TL;DR通过使用参数熵以基于熵的质心初始化方法对图像数据进行 k-means 性能分析，并提出了适用于一般图像数据集的最佳熵测量，我们观察到对于不同的数据集，不同的熵比传统方法提供更好的结果。我们在 Satellite、Toys、Fruits、Cars、Brain MRI 和 Covid X-Ray 的数据集上应用了我们提出的算法。
k-means algorithmcluster analysisparametric entropiescentroid initialization methodimage data
发现论文，激发创造
  • K-Means 聚类算法高效初始化方法的比较研究

    本研究探讨了 K-means 算法及其初始化方法在聚类方面的应用，比较了 8 种常用线性时间复杂度的初始化方法，并使用各种性能指标对各种数据集进行了测试和分析， 结论表明，当前通用的初始化方法表现不佳，并且有更好的替代方案。

    Sep, 2012

  • 一种基于信息熵负载的聚类方法

    本文提出了一种基于信息理论的聚类方法，通过该方法聚类结果的熵载荷能够最大化，避免了需要预设特定参数的问题，可用于图像分割、对象分类等领域，也可作为无监督学习的基础。

    Sep, 2022

  • 无需地面真值的图像聚类

    该论文介绍了一种基于众包模型的图像聚类方法，可应对无法得知聚类数目的情况，该方法的有效性已通过在多个人工数据集上的应用得到了证明。

    Oct, 2016

  • 可微分的深度聚类 + 聚类大小限制

    通过将 $k$-means 聚类算法重写为最优传输任务，并加入熵正则化，我们提出了一种全新的方法，其中嵌入是由深度神经网络执行的，表明与现有的基于软 $k$-means 的最新方法相比，我们的最优传输方法提供更好的无监督准确度，不需要预训练阶段。

    Oct, 2019

  • 几种聚类方法和初始化方法的实验比较

    本文研究高维数据的聚类方法，探讨了 Expectation-Maximization 算法、基于 K-means 的获胜者通吃算法和基于模型的分层凝聚聚类算法，发现 EM 算法在质量上明显优于其他方法，并研究了各种初始化方案对 EM 算法产生的最终解的影响。

    Jan, 2013

  • 可扩展核聚类：近似核 k-means

    本文提出了一种基于随机化的近似核 K-means 簇算法，其利用采样点与数据集中所有点之间的核相似性来近似聚类中心，实现了与传统低秩核近似聚类方案相比更好的聚类性能、更短的运行时间和更小的内存需求，最后利用集成聚类技术进一步提高算法性能。

    Feb, 2014

  • 通过 $k$- 最近邻距离高效估算多元熵

    本文提出一种基于加权平均值的熵估计器，利用 $k$- 最近邻距离和加权项来实现局部渐进极小化极小化损失下的效率估计，可以在任意维度上获得高效估计，并促进了渐近最小宽度熵的置信区间的构建。

    Jun, 2016

  • 可扩展的 K-Means++

    本研究展示了一种通过在并行计算中显著减少所需传递次数的方法，从而获得好的初始化的 K-means|| 初始化算法，并通过实验评估证明该算法在顺序和并行设置下均优于 K-means ++。

    Mar, 2012

  • 基于不确定数据的不确定质心分区聚类

    本文基于一种新颖的聚类中心点概念，理论研究了现有的分区聚类方法，并提出了一种有基础的聚类方法，以便更好的表达一组不确定对象的聚类，从而支持更一致的改进聚类性能，同时保持着与现有分区聚类算法相近的效率。

    Mar, 2012

  • 鲁棒自动数据聚类：狄利克雷过程遇见中位数均值

    通过整合基于模型和基于质心的方法，提出了一种高效且自动的聚类技术，解决噪声对聚类质量的影响，并确保无需提前指定聚类数的优点。在模拟和真实数据集上进行了严格评估和统计保证，表明我们提出的方法优于现有先进聚类算法。

    Nov, 2023