Sep, 2024

基于恰当贝叶斯自助法的聚类的贝叶斯方法：贝叶斯袋装聚类（BBC）算法

HTML
PDF
TL;DR本文针对聚类领域的无监督技术提出了一种新方法，利用恰当贝叶斯自助法提高现有文献模型的稳健性和可解释性。研究结果显示，该方法不仅清晰指示了最佳聚类数，还能更好地表现聚类数据，展示了方法论和实证的进展。
发现论文，激发创造
  • 基于贝叶斯非参数的k-means聚类新算法再探

    本文从贝叶斯非参数的角度出发，重新审视了k-means聚类算法。通过分析Dirichlet过程混合物的Gibbs抽样算法，我们发现这个算法在极限下接近于硬聚类算法，可以优雅且单调地最小化一个类似k-means的聚类目标，包括对聚类数的惩罚。我们将这个方法推广到了多个数据集的聚类情况，并讨论了进一步的扩展，包括门槛特征向量的光谱松弛和在图中不需要固定聚类数的归一化割图聚类算法。

    Nov, 2011

  • 近似聚类的最优时间界限

    本文研究了基于k-median目标函数的聚类问题，提出了一种称为连续采样的简单但有效的采样技术，并使用该技术开发了一个可在O（nk）时间内运行的算法来解决k-median问题。

    Dec, 2012

  • 几种聚类方法和初始化方法的实验比较

    本文研究高维数据的聚类方法，探讨了Expectation-Maximization算法、基于K-means的获胜者通吃算法和基于模型的分层凝聚聚类算法，发现EM算法在质量上明显优于其他方法，并研究了各种初始化方案对EM算法产生的最终解的影响。

    Jan, 2013

  • 基于狄利克雷过程混合的相关性渐近动态聚类

    提出了一种基于依赖狄利克雷过程混合模型（DDPMM）的新的聚类算法，用于聚类包含未知数量的进化聚类的批量连续数据。该算法通过对DDPMM的Gibbs抽样算法进行低方差渐近分析而得出，提供类似于k-means算法的收敛保证的硬聚类。通过移动高斯聚类的合成测试和真实的ADS-B飞机轨迹数据测试的实证结果表明，与当代概率和硬聚类算法相比，该算法在提供更高准确性的同时需要更少的计算时间。

    May, 2013

  • 交互式贝叶斯分层聚类

    本文提出了一种交互式贝叶斯算法，该算法将用户交互纳入层次聚类中，同时利用数据的几何形状通过对层次结构上的有约束的后验分布进行采样，提出了几种智能查询方式。该算法以及查询方案在真实数据上表现出了良好的结果。

    Feb, 2016

  • 局部加权集成聚类

    本文提出了一种基于集合驱动聚类不确定性估计和本地加权策略的新的集合聚类方法，利用集合中的本地多样性，提出了两种新的一致性函数来提高聚类质量，并通过大量实验验证了其优越性。

    May, 2016

  • 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

  • 使用动力狄利克雷过程控制贝叶斯聚类中先验偏好的重要程度

    使用改进的参数分布推导出来自Dirichlet-Multinomial分布的Powered中餐厅过程，以解决Dirichlet先验不一定是建模数据的最佳选择的问题，并提供直接控制“富人越富”先验重要性的新公式。

    Apr, 2021

  • 鲁棒自动数据聚类：狄利克雷过程遇见中位数均值

    通过整合基于模型和基于质心的方法，提出了一种高效且自动的聚类技术，解决噪声对聚类质量的影响，并确保无需提前指定聚类数的优点。在模拟和真实数据集上进行了严格评估和统计保证，表明我们提出的方法优于现有先进聚类算法。

    Nov, 2023

  • 一种贝叶斯聚类有效性指标

    通过引入贝叶斯聚类验证指数（BCVI），本研究基于现有的基础指数，构建了一个可根据使用者应用的可行性，选择次优聚类数量的方法，并通过对真实世界数据集（包括MRI脑肿瘤图像）的应用验证了算法的有效性和应用潜力。

    Feb, 2024