Feb, 2024

基于梯度的分布数据聚类的统一框架

HTML
PDF
TL;DR我们提出了一种基于网络的分布式聚类算法族，通过局部数据集和与邻居节点通信来实现对整个数据集的聚类，该算法族在不同的聚类损失函数下具有强大性能，并且在收敛性和一致性方面具有良好的理论保证。
发现论文，激发创造
  • 在一般拓扑上进行分布式k-Means和k-Median聚类

    本文提出一种新的分布式 k-median 和 k-means 聚类算法，通过 coresets 的方法，构建全局coreset，降低了通信复杂度，实验结果表明该算法优于其他 coreset-based 分布式聚类算法。

    Jun, 2013

  • 通信最优的分布式聚类

    本文研究了分布式模式下的图形和几何聚类问题，并给出了两个模型中几乎是最优的协议，突出了广播通道在聚类问题中的惊人能力，我们的算法已在实际数据集上得到了验证。

    Feb, 2017

  • 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

  • 基于参数化Lloyd家族的数据驱动聚类

    本文研究了基于度量空间中的聚类点的算法和优化，提出了一种通用的类Lloyd算法的无限算法族，利用有效的学习算法从特定于应用程序的聚类实例分布中学习到了最佳聚类算法，包括著名的k-means ++算法及其它。

    Sep, 2018

  • 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

  • 变分公平聚类

    本文提出了一种公平聚类的一般变分框架，该框架将原始的Kullback-Leibler（KL）公平术语与包括原型或基于图的大类聚类目标相整合。我们的变分多项式方法与现有的组合和谱解决方案基本不同，能够控制公平和聚类目标之间的折衷水平。我们的紧密上界可以与各种聚类目标一起进行联合优化，同时产生可扩展的解决方案，并具有收敛保证。

    Jun, 2019

  • 公平性、半监督学习以及更多：一般的随机成对约束聚类框架

    提出了一种新颖的随机成对约束方法，用于多个关键聚类目标函数，可用于建模应用程序的收缩和分析，如聚类中的公平性和半监督学习中的Must-link约束，并提供了近似算法的具有可证明保证的通用框架。

    Mar, 2021

  • 共识表示的深度聚类

    本研究提出了一种深度整合学习框架 DECCS，该框架能够有效地学习多种异质聚类算法的共识表征，并能够显著提高聚类结果的准确性和鲁棒性。

    Oct, 2022

  • 基于双分解的分布式优化的联邦 K-Means 聚类

    分布式优化在机器学习中的应用既可以由隐私保护的结果推动，也可以由计算效率的提高推动。本文旨在演示如何将双重分解应用于分布式培训 $ K $-means 聚类问题，并通过在多个基准问题上评估子梯度法、束程序信任法和拟牛顿对偶升算法的性能来支持这一观点。

    Jul, 2023

  • 基于分布核的分布式聚类

    本研究针对现有分布式聚类方法中存在的局限，提出了一种新的分布式聚类框架——基于分布核的分布式聚类(KDC)。该框架不仅能够确保分布式和集中式聚类结果相等，还显著提高了聚类效果，尤其是在处理任意形状、大小和密度的簇时，展示了出色的效率和准确性。

    Sep, 2024