KDDNov, 2023

FLASC：一种对聚类算法 HDBSCAN * 进行扩展的火焰敏感聚类算法，用于检测聚类中的分支

PDF
TL;DR我们介绍了 FLASC 算法，它是一种针对耀斑敏感的聚类算法。该算法在 HDBSCAN * 的基础上进行了后处理步骤，以区分检测到的聚类流形中的分支，从而添加了一种可以发现的模式。我们提出了两种算法变体，在计算成本上进行了噪声鲁棒性的权衡。我们展示了这两种变体与 HDBSCAN * 在计算成本上的类似性，并使用合成数据集证明了其稳定输出，从而成为一种高效的耀斑敏感聚类算法。此外，我们还通过对两个真实数据集的数据探索实验证明了该算法相对于 HDBSCAN * 聚类的优势。
flascflare-sensitive clusteringhdbscan*post-processingdata exploration
发现论文，激发创造
  • 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

  • 加速分层密度聚类

    本文提出了一个加速的分层密度聚类算法，它支持变密度聚类并消除了难以调整的距离尺度参数，提供与 DBSCAN 相当的性能，使得它成为密度聚类的默认选择。

    May, 2017

  • ADBSCAN: 自适应基于密度的空间聚类应用程序，用于识别具有不同密度的聚类

    提出一种自适应 DBSCAN 算法，用于在密度变化的情况下识别数据聚类，并发挥其噪声消除的能力。

    Sep, 2018

  • 基于线性度量的聚类算法 LINSCAN

    LINSCAN 是一种新的算法，通过利用 DBSCAN 和 OPTICS 的优势，将点嵌入成近似其局部邻域的正态分布，并利用从 Kullback Leibler 散度派生的距离函数，以检测和区分在空间上密集但具有正交协方差的线性聚类，我们演示了如何将 LINSCAN 应用于地震数据，识别出活动断层，包括交叉断层，并确定它们的方向。最后，我们讨论了 DBSCAN 和 OPTICS 的扩展算法必须具备的性质，以保持这些算法的稳定性优势。

    Jun, 2024

  • 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

  • 块对角引导 DBSCAN 聚类

    介绍了一个改进版本的 DBSCAN 算法，利用相似性图的块对角特性来引导聚类过程，通过未知排列构建图，并通过梯度下降求解，最终生成块对角图结构，以提供自动和交互式聚类分析的基础。

    Mar, 2024

  • 非临床文本信息检索在癌症相关论坛帖子的高效标注

    本研究使用分布式计算，文本检索，聚类和分类方法，构建了一个完全功能的原型系统，可以从非临床和免费的在线信息中澄清癌症患者轨迹。聚类结果表明，邻域半径对聚类性能影响最大。达恩麻省理工学院模型可以在 46.1 秒内对 50000 个论坛帖子进行聚类，而 DBSCAN（143.4）和 HDBSCAN（282.3）则需要更多时间。

    Mar, 2023

  • 滤波谱代数子空间聚类

    本篇文章提出了一种新的 ASC 算法来处理任意维度子空间中的嘈杂数据，根据构建点处的递减子空间序列和使用序列中子空间到其他点的距离来构造子空间聚类亲和力，在 Hopkins 155 数据集上的实验结果证明了该方法在稀疏低秩子空间聚类方法方面的优越性。

    Oct, 2015

  • 高效的层次聚类主动算法

    该研究提出了一个基于层次聚类和谱聚类算法的框架，来解决大型数据集处理的问题，该算法在小型数据子集上运行，具有较高的性能、测量复杂度和运行时复杂度。经过广泛的实验验证，该框架实际上非常具有吸引力。

    Jun, 2012

  • 近似谱聚类：效率和保证

    ASC 是一种用于图分区的启发式算法，其包含两个子程序，即通过幂方法计算近似的谱嵌入，并使用近似的 k-means 聚类算法对 resulting vector set 进行分区，通过其得到的 k-means 分区自然地引发了 G 中的 k-way 节点划分。

    Sep, 2015