该论文介绍了谱聚类算法和图拉普拉斯的基本性质,推导了不同的谱聚类算法,比较了它们之间的优缺点。
Nov, 2007
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
该研究提出了一种基于凸优化的算法,可以在低维度空间中进行流形学习和聚类,相比于传统方法,该算法获得了更有结构的聚类结果并取得了很好的性能表现。
Nov, 2014
使用随机分箱特征(RB)的新型可扩展谱聚类方法,通过内积计算大型稀疏特征矩阵来近似图相似性(核)矩阵,然后使用最先进的奇异值分解(SVD)求解器有效地计算此大型矩阵的特征向量,从而将计算成本从二次降至线性,同时实现类似的精度和更快的收敛。
May, 2018
本研究针对典型的谱聚类算法,探讨在一些较弱条件下其性能为何,还研究了利用少于k个特征向量进行嵌入的谱聚类,实验表明在合成和真实数据上,使用少于k个特征向量时,谱聚类也能够产生相当或更好的结果。
Aug, 2022
本文提出了一种在精简边界的$k$-nearest neighbor graph中基于局部统计的数据代表子集的近似谱聚类算法的方法,以提高其计算效率,且在人工合成的测试数据集和真实数据集中实验表明与常规方法相比较,该方法具有性能一致性和较少边界数量的特点。
Feb, 2023
本研究提出了一种不需要参数调整的图缩减方法来构建适用于谱聚类和SpectralNet的图,通过邻域密度和相似度过滤,实现了高效的聚类检测。
该研究论文讨论了谱聚类算法在大型随机分布数据集上的表现,提供了一种能够找到数据集潜在密度规律的谱聚类算法,并通过引入Cheeger-Buser不等式为所有随机分布提供新的支持。
May, 2023
本研究提出了一种基于顶点嵌入的简单谱聚类算法,通过幂法计算的向量,在接近线性时间内计算顶点嵌入,并在输入图形的自然假设下,算法能够可靠地恢复出真实聚类结果。通过在多个合成和现实世界数据集上的评估发现,该算法与其他聚类算法相比,具有显著更快的速度,并且产生的聚类准确度基本相同。
Oct, 2023
通过将数值和类别信息结合到谱聚类算法中,本文提出一种新的方法来处理混合数据,避免了数据预处理或使用复杂的相似性函数,并展示了相应的聚类目标函数和线性时间复杂度的算法。与其他相关方法相比,实验证明该算法在性能和运行时间上具有竞争力。
Mar, 2024