Feb, 2024

基于平衡 k 均值的不均衡数据聚类

PDF
TL;DR平衡 K-means（EKM）是一种新颖且简单的 K-means 类型算法，通过减少大簇中心聚集的趋势，在不平衡数据上显著改善聚类结果。该论文还介绍了 HKM、FKM 和 EKM 的统一视角，展示它们本质上是梯度下降算法，并与牛顿法有明确的关系。通过将高维数据映射到低维、适合 EKM 的空间，使用 EKM 进行深度聚类可在不平衡数据上将聚类准确性提高 35%。
imbalanced dataequilibrium k-meansclustering algorithmsgradient descentdeep clustering
发现论文，激发创造
  • EKM：K - 介质问题的精确多项式时间算法

    提出了 EKM 算法，该算法利用转化式编程和组合生成的最新进展，以确保准确解决关键点聚类问题并在多个真实世界数据集上证明了其有效性。

    May, 2024

  • 压缩 K 均值

    本文提出了一种压缩版本的 K-means 聚类方法 CKM，并通过实验证明，当采用与聚类中心数量和维度成比例的草图大小时，CKM 的聚类效果与 Lloyd-Max 相当，但计算复杂度与数据集大小无关，并且不需要多次重复运行，同时可以实现更好的手写数字分类效果。

    Oct, 2016

  • 聚类中的硬聚类和软聚类方法的信息论分析

    本文通过信息论分析研究了几种不同的分配方法，包括 “硬分配” 和 “软分配”，发现 K-means 和 EM 算法之间的系统差异。同时提出了一种后验分配方法，与 EM 的 “软分配” 相似，但具有截然不同的算法。

    Feb, 2013

  • 修正的高斯核多视图 k 均值聚类

    该研究论文介绍了两种新的多视图 k-means（MVKM）算法，旨在解决多视图数据的问题；通过在高斯核空间中使用欧氏范数计算相似性，通过压缩高斯核加权欧氏距离的方式减小了 MVKM-ED 方法的敏感性；在五个真实世界的多视图数据上进行的数值评估表明，我们提出的 MVKM-ED 和 GKMVKM 方法具有鲁棒性和高效性。

    May, 2024

  • 基于 K-modes 算法的聚类

    通过密度和簇分配的概念，提出了一种 K-modes 目标函数算法，能够有效地聚类数据并找到有效的模式，相比于 K-medoids 和 mean-shift 更快且更加鲁棒。

    Apr, 2013

  • CKmeans 和 FCKmeans：使用拥挤距离的 Kmeans 算法两种确定性初始化程序

    提出两种新的确定性初始聚类方法，名为 CKmeans 和 FCKmeans，基于修改后的拥挤距离，实验研究表明，该方法在聚类准确性方面优于 Kmeans 和 Kmeans ++，其中 CKmeans 和 FCKmeans 的有效性归因于它们基于修改后的拥挤距离选择更好的初始聚类中心的能力。总体而言，该方法为提高 K-means 聚类提供了一种有前途的选择。

    Apr, 2023

  • IDKM：通过隐式、可微分 $k$ 均值实现内存高效神经网络量化

    使用隐式可微分 k-means 算法（IDKM）和无雅可比传播（IDKM-JFB）的变种，在与同样设置下，IDKM 在更短的计算时间和较少的内存使用下实现与 DKM 相当的性能，并将其应用于无法在 DKM 上训练的 Resnet18 神经网络。

    Dec, 2023

  • Laplacian K-modes 算法聚类

    提出一种新算法 - Laplacian K-modes 聚类算法，它融合了聚类中三种不同的思想：K-means 中的隐式分配变量，mean-shift 中的密度估计，和图拉普拉斯正则化效应中的近邻点相似性分配，该算法可以解决难以聚类的问题，同时提供了一个预测新点的软分配映射。

    Jun, 2014

  • 无聚类中心的模糊 K 均值聚类

    本文提出了一种新颖的模糊 K-Means 聚类算法，通过距离矩阵计算获得成员矩阵，从而完全消除了对聚类中心的依赖，增强了距离测量和算法的性能与鲁棒性。实验证明了该算法的有效性。

    Apr, 2024

  • 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