Mar, 2024

CDC：一个用于复杂数据聚类的简单框架

PDF
TL;DR在今天的数据驱动数字时代，收集的数据量和复杂性（如多视图、非欧几里德和多关系）呈指数级增长甚至更快。本文提出了一个简单而有效的复杂数据聚类（CDC）框架，可以以线性复杂度高效处理不同类型的数据。首先，我们利用图过滤来融合几何结构和属性信息。然后，通过一种新颖的保持相似性的正则化器自适应地学习高质量的锚点以降低复杂度。我们从理论和实验上证明了我们提出方法的聚类能力。特别地，我们将 CDC 应用于 111M 规模的图数据中。
data-drivencomplex data clusteringgraph filteringhigh-quality anchorssimilarity-preserving regularizer
发现论文，激发创造
  • CDC: 基于分类的压缩技术，用于高效利用边缘 - 云协作深度学习的带宽

    该篇论文介绍一种基于深度学习的分类驱动压缩框架，用于边缘计算和云计算的协同训练，可以在降低带宽消耗的同时，保持分类准确性，经过大量实验验证，和原始数据相比，该框架可以减少 14.9 倍的带宽消耗，且准确率不低于 1.06%.

    May, 2020

  • 基于图滤波的可扩展多视图聚类

    本文提出了一种用于聚类属性和图数据的通用框架，该框架能够探索特征和结构之间的相互作用，并具有图过滤和采样策略等优势，同时在属性和图基准测试上的实验证明了其优越性。

    May, 2022

  • CGC：用于社群检测和跟踪的对比图聚类

    本文介绍一种基于对比学习的图聚类模型 CGC，它能够学习节点表征和群集分配，支持静态和动态图的聚类，并能检测变化点。实验表明，该模型在真实世界的图聚类中表现卓越。

    Apr, 2022

  • 压缩聚类

    我们提出了一种基于压缩的聚类方法，使用基于长度压缩数据文件的普适相似性距离（NCD）来构建层级聚类，可以成功地应用于基因组学，病毒学，语言学，文学，音乐，手写数字，天文学以及完全不同域的对象长度压缩数据文件，并且在不同的压缩方式下具有普遍性和强韧性。

    Dec, 2003

  • scCDCG: 基于深度剪切信息图嵌入的单细胞 RNA 序列的高效深度结构聚类

    通过引入 scCDCG（基于深度剪切信息图的单细胞 RNA 测序聚类）框架，我们解决了传统聚类方法在 scRNA-seq 数据分析中忽略基因表达特征中嵌入的结构信息所带来的问题，提出了一种有效且准确的聚类方法，能够同时利用细胞间的高阶结构信息。通过在 6 个数据集上的广泛实验，我们证明了 scCDCG 相较于其他 7 种常见模型的出色性能和效率，凸显了它在 scRNA-seq 数据分析中的潜力。

    Apr, 2024

  • 类别发现中无唯一代表

    本文提出了一个新的通用类别发现（GCD）方法，通过使用一种合成数据集 'Clevr-4' 进行研究和评估，该数据集包含四个不同的数据分割，需要模型在有标签数据集的基础上推断出类别的层次结构，解决传统无监督聚类方法存在的问题，并在实验中展示了该方法的优越性。

    Nov, 2023

  • CCFC++：通过特征去相关化增强联邦聚类

    通过与对比学习的结合，本研究对异构数据对群聚式对比联邦聚类（CCFC）的影响进行了理论和实证分析，发现数据异构性加剧了 CCFC 中的维度崩溃，并通过引入一个去相关度正则化器解决了这个问题，使 CCFC 的性能得到了显著提升，NMI 得分最高达到 0.32。

    Feb, 2024

  • 通用数据的高阶多视角聚类

    提出了一种名为高阶多视角聚类 (HMvC) 的方法，该方法采用图过滤来编码结构信息，扩充了学习到的图，利用自适应图融合机制来实现一致性的分布式图。实验结果显示，在非图和有属性图数据方面，我们的方法在各种现有技术，包括一些深度学习方法方面都表现出优越性能。

    Sep, 2022

  • 多视角对比图聚类

    本研究提出了一种多视图属性图数据聚类的通用框架，采用多视图对比图聚类 (MCGC) 方法来学习一致性图，相比现有的方法，该方法表现更优异，尤其是在深度学习方法上。

    Oct, 2021

  • GLCC: 用于图级聚类的通用框架

    本文提出了一种面向多个图形的一般图级聚类框架，名为 GLCC，它使用对比学习技术，包括实例级和聚类级联合优化表示学习，以及使用邻域感知伪标签来奖励优化表示学习的过程。实验证实，GLCC 比其他竞争基线方法表现更好。

    Oct, 2022