Sep, 2023

通过寻找具有统计显著性的可分离的最佳高斯簇，进行超聚类

PDF
TL;DR该论文提出了一种利用 BIC 准则对数据集进行聚类的算法，将高斯聚类的最优数量组合成从统计上可分离的超聚类，该算法包括三个阶段：将数据集表示为高斯分布的混合聚类，使用马氏距离估计聚类间的距离和聚类大小，利用 DBSCAN 方法将聚类组合成超聚类，该算法自动检测最佳数量和形状的超聚类，具有较好的结果和能预测新数据的软聚类能力，但速度较慢，最终聚类结果具有随机性。
clusteringbic criteriongaussian clusterssuperclustersstatistical hypothesis testing
发现论文，激发创造
  • 可解释聚类与可区分性标准

    基于全局的可区分性准则，本文提出了用于验证聚类分析结果以及确定数据集中聚类数量的方法，并将该准则与常用的聚类方法进行了整合，包括层次聚类、k-means 和有限混合模型。通过模拟研究和实际数据应用，我们展示了这些新算法的结果。

    Apr, 2024

  • 应用光子量子计算对数据集进行双聚类分析

    使用玻色子抽样方法实现基于矩阵永久性的双聚类识别，并提出一种使用高斯玻色子抽样方法在数据集中找到最密集子图的启发式方法，通过将数据集转换为二部图并运行高斯玻色子抽样来实现。

    May, 2024

  • 一种带有噪声规范的模块化空间聚类算法

    基于模拟生物群落的算法设计实现了一种能够在聚类中平衡性能与参数优化难度的新型聚类算法 Bacteria-Farm，并且该算法还可以根据具体任务和数据分布创建不同版本，并具备排除噪声的功能。

    Sep, 2023

  • 带最优图的统一谱聚类

    本文提出了一种改进的光谱聚类算法，旨在解决预定义的相似性图可能不是合适的聚类结果，并且传统离散化解决方法与光谱解决方案可能不一致的问题，并引入多核学习来解决如何选择最适合特定数据集的核的应用挑战。实验结果表明，该方法相比于现有的聚类方法具有更好的性能。

    Nov, 2017

  • 基于贝叶斯非参数的 k-means 聚类新算法再探

    本文从贝叶斯非参数的角度出发，重新审视了 k-means 聚类算法。通过分析 Dirichlet 过程混合物的 Gibbs 抽样算法，我们发现这个算法在极限下接近于硬聚类算法，可以优雅且单调地最小化一个类似 k-means 的聚类目标，包括对聚类数的惩罚。我们将这个方法推广到了多个数据集的聚类情况，并讨论了进一步的扩展，包括门槛特征向量的光谱松弛和在图中不需要固定聚类数的归一化割图聚类算法。

    Nov, 2011

  • 最优二分网络聚类

    本文提出一种基于谱初始化和伪似然分类器的两阶段快速过程，用于网络双分区检测或更一般地解决网络双聚类问题。该程序是弱一致的，同时在双分块随机模型下建立。通过数值模拟，证明了这种程序的有效性。

    Mar, 2018

  • 高斯混合模型鲁棒聚类

    提供了一种有效的算法，用于鲁棒聚类混合的两个任意高斯分布，该算法将扩展到鲁棒聚类混合的分布更广泛的情况，通过使用基于等位置和费舍尔判别式的新可辨识性标准和相应的固定度数的平方和凸松弛。

    Nov, 2019

  • 基于随机投影的可扩展密度聚类

    我们提出了一个高效的基于密度的聚类算法 sDBSCAN，利用随机投影的邻域保持特性，能够快速识别核心点及其邻域，理论上，在合理条件下，sDBSCAN 的聚类结构与 DBSCAN 类似，具有较高的概率。sDBSCAN 在真实世界的百万点数据集上比其他聚类算法更快且提供更高的准确性。

    Feb, 2024

  • 基于谱聚类算法的社区检测分析：一般二分图情形

    本文提出一种新的数据驱动正则化方法来解决稀疏网络中恢复邻接矩阵集中性的问题，进而探讨了一种新的谱截断方法对一般 SBM 中的分类错误率的影响，并在模型的一些扩展，包括不均匀随机图模型和二元聚类问题中得到更优性能的证明。

    Mar, 2018

  • 高维稀疏高斯混合模型的极小极大理论

    本文提供了在高维情况下学习高斯混合物的准确最小值界限和基本限制，研究表明，如果存在决定均值分离的随机维度的稀疏子集，则样本复杂度只取决于相关维度的数量和平均分离，可通过简单的计算有效过程来实现；结果为最近结合特征选择和聚类的方法提供了理论基础的第一步。

    Jun, 2013