Oct, 2023

使用核密度估计方法快速逼近相似图

PDF
TL;DR提出了一种基于核密度估计问题的算法框架，用于构造稀疏近似的全连接相似度图，从而保留其聚类结构，与 scikit-learn 库和 FAISS 库的实现相比，在多个数据集上显著提升了性能。
发现论文，激发创造
  • 相似性保持聚类

    提出了一种更有区分性的图学习方法，该方法具有自适应性，可以保留样本之间的成对相似度，并且有效地统一了聚类和图学习，可在不执行进一步聚类步骤的情况下直接从图本身获取聚类指标。

    May, 2019

  • 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

  • 基于图聚类的低秩核学习

    通过将图构建和核学习统一框架，可以通过彼此迭代的方式增强图及共识核，而我们提出了一种学习低秩核矩阵的方法，从候选核之间的邻域中寻找最优核矩阵，进而解决了现有多核学习算法中的一些问题，并得到了验证。

    Mar, 2019

  • 相似性搜索的快速谱排序

    本研究介绍了一种显式嵌入方法，将流形搜索转化为欧氏距离搜索，并且利用近似傅里叶基础加速在线搜索，从而提高了特定对象的检索精度和效率。

    Mar, 2017

  • 高维情况下基于哈希的核密度估计器

    该论文研究了基于局部敏感哈希实现无偏估算的核密度估计数据结构，旨在在高维数据集中实现高效的核密度估计，并提供比单纯随机抽样更好的理论保证。

    Aug, 2018

  • 使用随机信号的图滤波加速光谱聚类

    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

  • 高维稀疏数据的相似性学习

    该研究提出了一种使用参数化相似性度量的方法，将其作为具有特定稀疏结构的秩一矩阵的线性组合，此方法可以高效地处理高维稀疏数据，并通过近似的 Frank-Wolfe 过程优化参数以满足训练数据上的相对相似性约束，实验结果表明该方法具有分类、降维和数据探索的潜力。

    Nov, 2014

  • 局部敏感量化快速私有核密度估计

    研究了不同隐私保护机制，包括局部敏感量化的构造、带核的密度估计和增强隐私工具等，实现了快速，准确和隐私保护的数据操作。

    Jul, 2023

  • 流形上的簇树

    本文研究在或靠近平滑 $d$ 维流形 $M$ 上的密度 $f$ 的聚类树的估计问题，通过分析最近由 Chaudhuri 和 Dasgupta 提出的基于 $k$ 近邻的算法的修改版本，得出了这个方法的收敛率只依赖于流形维度 $d$ 而不是环境维度 $D$，同时对核密度估计器也进行了类似（非算法）的分析，进一步探讨了样本复杂度下界实例的构建和已知流形情况下采用自适应算法可获得更好的收敛率。

    Jul, 2013

  • 基于图度量嵌入的快速图算法

    本文介绍一种学习图嵌入的简单、有效方法，通过密集向量表示来近似节点之间的距离，以反映用户定义的图距离度量，避免了直接在图结构上进行操作引起的低效性，证明该方法在语义相似性和词义消歧任务上的表现比其他图嵌入方法更优秀，同时在 WordNet 和两个知识库图上进行了评估。

    Jun, 2019