基于中心点的稀疏分区

Sep, 2023

Sparse Partitioning Around Medoids

Lars Lenssen, Erich Schubert

TL;DRPAM（Partitioning Around Medoids）是一种常用的聚类技术，本文提出了一种基于稀疏和非对称变体的方法，用于处理图数据等大规模问题，通过利用稀疏性，可以避免二次运行时间和内存要求，并使用贪婪初始解和优化操作相结合的策略来确定聚类个数以解决传统启发式算法无法找到好的初始条件的问题。

Abstract

partitioning around medoids (PAM, k-Medoids) is a popular clustering technique to use with arbitrary distance functions or similarities, where each cluster is represented by its most central object, called the me

partitioning around medoids clustering facility location problem graph data asymmetric cases

发现论文，激发创造

快速 k-Medoids 聚类：改进 PAM、CLARA 和 CLARANS 算法

本文提出了 PAM 算法的修改，以达到算法第二个步骤中 O (k) 倍的加速，同时发掘了选择初始核心点的其他策略，实验证明与原始 PAM SWAP 算法相比，算法速度可提升 200 倍，适用于大型数据集和更高的 K 值。

Oct, 2018

BanditPAM++：快速 $k$ 介数聚类

BanditPAM++ 是一种改进的 $k$-medoids 聚类算法，通过两个算法改进在复杂度和运行时间上比 BanditPAM 更快，并提供了可从 Python 和 R 调用的高性能 C++ 实现。

Oct, 2023

使用自动簇数选择的中心轮廓聚类

聚类结果评估困难，高度依赖于数据集和观察者的视角，本文讨论 Silhouette 的高效中心点版本，进行了理论分析，提供两种快速版本以直接优化，并讨论了选择最佳聚类数的使用，实验证明与原有 PAMMEDSIL 算法相比，其在具有 30000 个样本和 k=100 的真实数据上的速度提升为 10464 倍。另外，我们提供了一种直接选择最佳聚类数的变体。

Sep, 2023

基于 K-medoids 算法的主动距离聚类

提出了一种新的 k-medoids 聚类算法，该算法只需要一小部分数据点之间的距离，并利用三角不等式来估算未知距离的上界，并采用递归方法和主动选择数据点的方法，在真实世界和合成数据集上经验证明其能够找出合适的聚类效果。

Dec, 2015

EKM：K - 介质问题的精确多项式时间算法

提出了 EKM 算法，该算法利用转化式编程和组合生成的最新进展，以确保准确解决关键点聚类问题并在多个真实世界数据集上证明了其有效性。

May, 2024

SECLEDS: 基于多个中心点和中心点投票法的数据流序列聚类算法

该论文提出了一种流式 k-medoids 算法的变种 SECLEDS，它使用多个质心聚类，通过中心投票方案处理数据流中的概念漂移，以实现高效的序列聚类，同时提高聚类的质量和稳定性，并证明了其在网络流量聚类中的较高性能。

Jun, 2022

基于 K-modes 算法的聚类

通过密度和簇分配的概念，提出了一种 K-modes 目标函数算法，能够有效地聚类数据并找到有效的模式，相比于 K-medoids 和 mean-shift 更快且更加鲁棒。