MMJun, 2024

通过 MPI 并行计算系统进行矩阵计算的密度峰聚类算法

PDF
TL;DR通过使用两种向量距离矩阵和反向领先节点发现策略，我们提出了一种忠实且并行的密度峰值聚类方法，该方法能够在聚类大规模欧几里得数据时显示出优越的准确性，并且能够聚类非欧几里得数据，例如在社区检测中。
density peaks clusteringbig datamapreduceeuclidean datacommunity detection
发现论文，激发创造
  • PECANN：基于图的近似最近邻搜索的并行高效聚类

    该研究论文通过抽象密度峰聚类算法中的关键步骤，如使用基于图的近似最近邻搜索（ANNS）方法来寻找满足预测函数的最近邻，提出了一种统一的框架 PECANN。通过在合成和真实数据集上评估，该方法在大规模高维度数据集上实现了高速的聚类效果，并在性能和准确性上超越了现有的算法。

    Dec, 2023

  • ClusterCluster：针对狄利克雷过程混合模型的并行马尔科夫链蒙特卡罗算法

    本文介绍一种新型的 DP 重新参数化方法，该方法在聚类分析中广泛使用，能够实现 DP 的并行学习，从而提高了学习速度和效率，同时该方法不需要改变模型并且能够保持标准后验分布不变。

    Apr, 2013

  • VDPC: 变分密度峰聚类算法

    通过识别代表性点、构建初始聚类，再结合 DPC 和 DBSCAN 的优点，使用 VDPC 算法对不同密度分布的数据集进行系统的自动聚类

    Dec, 2021

  • 基于 GPU 并行算法的图分析：量子聚类

    本文介绍了一种新的方法，将量子聚类应用于图结构中，通过构建潜函数采用图梯度下降算法找到聚类中心，利用 GPU 并行计算势能值来评估方法性能，实验结果表明该方法具有优异的性能，最后还研究了 σ 对实验结果的影响。

    May, 2023

  • 广义密度聚类

    本研究研究了广义密度聚类，提出了两种数据基础方法来选择波宽，并研究了密度聚类的稳定性，表明一种简单的基于图的算法可以成功地近似高密度聚类。

    Jul, 2009

  • 低秩协方差矩阵逼近的并行高斯过程回归

    本文介绍了两种基于低秩协方差矩阵逼近的并行高斯过程回归方法，这两种方法可以将计算负载分布在并行机器之间以达到时间效率和可伸缩性，并经过理论分析证明了这些方法的预测性能等价于一些集中式的近似高斯过程回归方法，并且在两个真实数据集上的实证评估表明我们的并行高斯过程回归方法比其集中式对应物和全高斯过程方法具有更高的时间效率和可伸缩性，同时实现与全高斯过程方法相当的预测性能。

    Aug, 2014

  • FastLloyd: 基于差分隐私的联邦式、准确、安全、可调整的 $k$-Means 聚类

    在水平联邦环境中，我们研究了隐私保护的 k-means 聚类问题，并通过综合差分隐私和安全计算的方法提出了一个更快速、更加隐私安全和更准确的设计。

    May, 2024

  • 可扩展的拉普拉斯 K-modes

    我们提出了一种新的算法 Laplacian K-modes，并通过优化一个紧密的辅助函数提高了其可伸缩性，进而实现了大规模数据的并行化聚类和密度模式查找，并在各种数据集上进行了全面的实验。

    Oct, 2018

  • 超球上小方差的非参数聚类

    本文提出了基于 Bayesian 非参数 von-Mises-Fisher 混合分布的小方差限制的两种新的灵活高效的聚类算法，这些算法自然地与方向数据的几何结构相符，旨在描述人工环境中的表面正常分布，其在计算机视觉应用中具有重要意义，包括场景理解、平面分割和三维重建的规则化。

    Jul, 2016

  • DBSCAN++：快速和可伸缩密度聚类

    提出了 DBSCAN ++ 密度聚类的简单改进方法，其只需要计算所选点的密度，可在大型数据集上提供与传统 DBSCAN 相媲美的性能和稳健性，同时运行时间很短。还证明了其在估计速率方面达到了最佳的极小极大值，这一质量可能是独立利益的。

    Oct, 2018