Nov, 2023

通过参数化谱聚类实现高效和增量的谱聚类

PDF
TL;DR提出了一种名为参数化谱聚类（PSC）的新方法，该方法扩展了谱聚类的能力，解决了大数据和实时场景中的挑战，并实现了与标准谱聚类相当的计算效率。PSC 具有增量聚类和实时数据分析应用的重要潜力，为动态和演化数据集中的及时和准确的聚类提供支持。
spectral clusteringparametric spectral clusteringcomputational efficiencyincremental learningreal-time scenarios
发现论文，激发创造
  • 小批量谱聚类

    采用自适应随机梯度优化的实用方法可以学习拉普拉斯矩阵的完整光谱，且每个迭代的成本与样本数量成线性关系，实验证明其具备比近似方法更好的计算可扩展性。

    Jul, 2016

  • 基于特征值的增量谱聚类

    基于子集集合的归一化特征值谱，我们提出了一种增量谱聚类方法，将数据分成可管理的子集，对每个子集进行聚类，根据特征值谱的相似性合并不同子集的聚类结果，从而实现整个数据集的聚类。实验结果表明，该方法能够获得接近整个数据集聚类结果的子集聚类和合并。

    Aug, 2023

  • 大规模数据聚类问题的加速稀疏核谱聚类

    改进版本的稀疏多维核谱聚类算法中，通过改良的方法提高了计算效率，并在合成数据和图像分割等实际问题上进行了计算实验，取得了理论和实际改进的结果。

    Oct, 2023

  • 凸约束下的谱聚类

    我们引入了一种能够很好地将约束引入到半定谱聚类的新框架，通过扩展半定谱聚类的能力来捕捉复杂的数据结构，以更有效地解决现实世界中的聚类挑战。此框架在各种真实数据集和学习场景中展示了超越现有光谱聚类方法的优越性，为处理复杂聚类问题提供了一种多功能工具。

    Apr, 2024

  • 改进的谱聚类算法分析

    本文探讨了基于谱算法的图分割技术，阐述了相关算法在数据分析中的应用，通过对图的一定假设条件，通过优化谱嵌入图算法的表现提供更好性能保证。

    Dec, 2019

  • 超大规模光谱聚类与集成聚类

    该研究提出了两种新算法，U-SPEC 和 U-SENC，用于解决极大规模数据集的光谱聚类的可扩展性和稳健性问题，其中 U-SENC 在提高可靠性的同时保持高效性，并且这两种算法具有近乎线性的时间和空间复杂度。

    Mar, 2019

  • 快照谱聚类 —— 一种生成深度聚类集合的零成本方法

    本文探讨了如何通过使用深度学习技术和多视图融合的集成学习方法来改善聚类结果，提出了一种新的快照谱聚类集成方法（Snapshot Spectral Clustering），实验结果表明该方法有效地提高了聚类性能和减少了计算成本。

    Jul, 2023

  • 谱聚类教程

    该论文介绍了谱聚类算法和图拉普拉斯的基本性质，推导了不同的谱聚类算法，比较了它们之间的优缺点。

    Nov, 2007

  • 凸稀疏谱聚类：从单视角到多视角

    本文提出了基于稀疏正则化的稀疏谱聚类方法 (SSC)，并提出了基于凸放射包络的凸 SSC 模型，使其可以高效地使用交替方向乘法更新。最后，我们将 SSC 扩展到多视角信息下，提出了成对稀疏谱聚类 (PSSC)，并通过在多个真实数据集上进行实验对我们提出的方法进行了证明。

    Nov, 2015

  • 交替方向乘子法的非凸稀疏谱聚类及其收敛性分析

    该研究提出了一种基于交替方向乘子法 (ADMM) 的非凸稀疏谱聚类算法，直接对 $UU^ op$ 施加稀疏正则化，该算法具有收敛保证和高效性，实验结果验证了其有效性。

    Dec, 2017