- 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 - 基于哥德尔编码和十进制一阶元胞自动机的聚类算法
本文提出了一种基于十进制一次元细胞自动机(FDCA)的聚类算法,其中基于可达性创建聚类。使用 G"odel 数字编码将现实数据对象编码为十进制字符串,该方案减少了编码字符串的长度同时保持特征属性。根据自复制和信息流等一些理论标准,确定候选 - 基于随机投影的可扩展密度聚类
我们提出了一个高效的基于密度的聚类算法 sDBSCAN,利用随机投影的邻域保持特性,能够快速识别核心点及其邻域,理论上,在合理条件下,sDBSCAN 的聚类结构与 DBSCAN 类似,具有较高的概率。sDBSCAN 在真实世界的百万点数据集 - 基于相似驱动的嵌套重要性抽样在数据集中的群集数量的人机协同估计
基于逐对相似性的人工反馈和统计估计的聚类数量方法。
- 基于蚂蚁化学识别系统的 AntClust 图像聚类算法
使用 AntClust 聚类算法基于蚂蚁的化学识别系统对汽车图像进行聚类,并通过与 DBSCAN、HDBSCAN 和 OPTICS 比较测试了其聚类性能,同时实现了可以自动化找到规则的生物启发式算法的方法。
- 基于交互过程中的机械特性的开放式目标识别
通过利用机械特性进行开放式识别,我们提出了一个开放式识别框架,用于识别已知对象并逐步标记新对象。主要贡献是一种利用已知对象知识估计聚类中心和大小的聚类算法,与典型随机选择聚类中心和大小的算法不同。该框架通过与实际对象的交互估计机械特性进行验 - 超轨迹:高能物理的神经组合学
该研究提出了一种新颖的深度学习驱动聚类算法,采用了时空非局部可训练图构造器、图神经网络和集合转换器,通过粒子跟踪模拟展示了这一前沿人工智能方法的有效性。
- DenMune: 基于密度峰值的聚类算法,使用互相最近邻
DenMune 是一种新颖的聚类算法,它能够识别密集区域并移除噪声,用于处理具有任意形状的簇、不同密度的数据以及接近的数据类别,该算法相对于其他先进的聚类算法在低维和高维数据集上能够产生稳健的结果。
- 使用声学单元的直接文本转语音翻译系统
本研究提出了一种使用离散声学单元的直接文本到语音翻译系统,该系统能够将不同源语言的文本作为输入,生成目标语言的语音,无需该语言的文本转录。通过使用语音编码器与聚类算法相结合来提取声学单元,利用先前工作中在直接语音到语音翻译系统中成功运用的声 - 无位置标签的室内基于区域的无线电图构建
使用无需位置标签的接收信号强度(RSS)测量数据,本文开发了一个基于区域的无线电地图构建方法,并提出了集成分割和聚类算法来解决 RSS 数据的聚类和区域匹配问题,结果表明该方案能够将区域定位误差降低约 50%,甚至优于一些需要标记数据进行训 - 使用 BGRU 和 GMM 改进深度吸引网络用于语音分离
提出了一种使用双向门控神经网络(BGRU)来简化和增强深度吸引子网络(DANet)模型的方法,使用高斯混合模型(GMM)作为聚类算法,以降低复杂度并提高学习速度和准确性。对 TIMIT 语料库中的混合语音数据集进行了实验评估,该模型在 SD - 大规模全无监督再识别
提出了两种策略来学习大规模无标签数据,其中第一种策略通过进行局部邻域抽样来减小数据集的大小,而不违反邻域关系,第二种策略采用了一种较快且内存高效的重新排名技术,并介绍了一种新的调度算法来调整训练中的密度参数,使学习对噪声标签具有鲁棒性。此外 - 基于测试的方法来评估分类数据的可聚类性
TestCat 是一种基于测试的方法,通过计算属性对的卡方值总和作为分析 $p$- 值,来评估分类数据的群聚性。在基准分类数据集上的测试表明,TestCat 优于现有针对数值数据的群聚性评估方法,最有效地识别分类数据的群聚性。
- 基于 KNN 修正的质心漂移社区检测
介绍了将基于距离矩阵的聚类算法 Medoid-Shift 应用于社区检测问题,并通过改进,提出了适用于社区检测的 Revised Medoid-Shift 算法,该算法采用基于 KNN (最近邻) 的邻域算法,收敛更为稳定。
- 揭示和解开群体 MCDM 中的聚集和离散谬误
本文研究多标准决策中的三种谬误以及用基于组成数据分析的解决方法来避免误用统计运算,其中包括优先级汇总、标准差计算和优先级之间距离计算等问题。
- 利用三元组损失进行无监督动作分段
本文提出了一种全新的无监督学习框架来从单一的输入视频中学习适合于行动分割任务的动作表示,无需任何训练数据,达到了与现有无监督方法相比更高质量的时间边界恢复,并通过应用聚类算法在学习的表示上取得了具有竞争力的表现。
- ICLR点集图像
本文介绍了一种新的视觉表示范式 - 环境群聚 (Context Clusters),可通过简化的聚类算法在一组未组织的点中提取特征,无需卷积或注意力机制,并提供了可视化聚类过程的令人满意的可解释性。在几个基准测试中,Context Clus - 基于聚类的深度集成学习在网络模因情感分类中的应用
本文提出了一种混合模型(CDEL),并基于表情相似性聚类来增强模型,以实现在表情类别分类的有效性,具有深度学习和聚类算法的优点,从而在情感分类基准数据集上实现比基线模型更优越的性能和最新技术性能。
- 跨多个特征空间进行数据聚类的一致概念识别理解
提出将概念识别视为一种具有广泛应用前景的聚类算法,并引入互信息度量以评估解决方案在相关子集上的一致性。在工程设计问题中应用此算法,能够找到更具解释性的聚类结果。
- 使用无监督学习从 GAN 中提取语义知识
本文研究对基于生成对抗网络(GANs)的特征蒸馏旨在使用聚类算法对图像进行感知分割和图像翻译,实现无监督语义分割和条件图像合成。