Dec, 2023

UniForCE: 单模态森林方法用于聚类与聚类数目估计

HTML
PDF
TL;DR本文提出了一种名为“UniForCE方法”的灵活聚类定义方式，该方法基于局部单调性图连接形成局部单峰对的子聚类，通过计算单调性图中的生成树来识别最大的局部单峰聚类。实验结果表明，该方法在发现规则和高度复杂的聚类形状方面特别灵活且可靠，并自动提供了对聚类数量的适当估计。
发现论文，激发创造
  • 分层聚类：目标函数和算法

    本篇论文研究层次聚类的优化问题，通过提出一些可靠的任务目标函数并对实际算法进行分析，提供了更优的算法以及性能表现。

    Apr, 2017

  • 共识聚类: 嵌入视角、拓展与超越

    本文综述了共识聚类的现有文献，探索不同类别之间的关系，并提供了转换基本分区到其他表示形式的共识机制，以及在不同设置和问题上的几种扩展方法和应用，包括约束聚类、域自适应、特征选择和异常检测等。

    May, 2019

  • 通过强三元闭包标记的相关聚类：快速近似算法和实用下界

    本研究提出了更快的近似算法，避免了其最佳逼近算法所依赖的不切实际的线性规划放宽，为两个经过充分研究的特殊情况——聚簇编辑和聚簇删除提供了更快、更实用、更高效的线性规划算法及极具可扩展性的组合技术，包括聚簇删除的第一个组合逼近算法，实际应用中，我们的算法产生了近乎与质量最佳算法相匹配的近似解，同时适用于数量级更大的问题。

    Nov, 2021

  • 通过范例的可解释聚类：复杂度和高效近似算法

    该研究提出了一种可解释的基于设计聚类的方法，该方法不仅可以找到集群，还可以找到举例来解释每个集群。作者提供了两个近似算法，可以提供证明性能保证以及应用范围。实验结果表明，这项工作在涉及难以理解的深度图像和文本嵌入的领域中非常有用。

    Sep, 2022

  • 标记随机块模型中的最佳实例聚类恢复

    本文介绍了一种针对Labeled Stochastic Block Model中包含多个聚类的问题的Instance-Adaptive Clustering (IAC)算法，通过一次谱聚类算法和迭代的基于likelihood的聚类算法提高聚类的效率。

    Jun, 2023

  • 无特征差距的聚类

    我们研究了随机块模型（SBM）中具有大型簇和无法恢复的小型簇的图聚类。我们提出了一种基于半定规划（SDP）的算法，可以恢复大型簇而不受其余簇大小的影响。我们的研究结果在存在大量小簇的情况下，达到了更低的样本复杂度，并为递归聚类问题提供了改进的算法。

    Aug, 2023

  • 鲁棒自动数据聚类：狄利克雷过程遇见中位数均值

    通过整合基于模型和基于质心的方法，提出了一种高效且自动的聚类技术，解决噪声对聚类质量的影响，并确保无需提前指定聚类数的优点。在模拟和真实数据集上进行了严格评估和统计保证，表明我们提出的方法优于现有先进聚类算法。

    Nov, 2023

  • 超越标签：基于距离分布熵的聚类分析进展(EDD)

    该研究论文介绍了一种新的无标签聚类分析方法，称为距离分布熵（EDD），它通过量化数据集中数据点间的距离特征差异来判断聚类倾向，具有更好的兼容性和鲁棒性，可用于解析复杂数据结构。

    Nov, 2023

  • 基于鲸鱼优化算法的可扩展k-中值聚类

    本研究解决了传统k-中值聚类方法在处理大规模未标记数据集时的可扩展性问题。提出的WOA-kMedoids方法通过引入鲸鱼优化算法，显著降低了计算复杂度，使其在保持高聚类准确度的同时，能够有效处理大型数据集。实验证明，WOA-kMedoids在大数据应用中具有很大的潜力和实用性。

    Aug, 2024

  • 基于恰当贝叶斯自助法的聚类的贝叶斯方法：贝叶斯袋装聚类（BBC）算法

    本文针对聚类领域的无监督技术提出了一种新方法，利用恰当贝叶斯自助法提高现有文献模型的稳健性和可解释性。研究结果显示，该方法不仅清晰指示了最佳聚类数，还能更好地表现聚类数据，展示了方法论和实证的进展。

    Sep, 2024