- CKmeans 和 FCKmeans:使用拥挤距离的 Kmeans 算法两种确定性初始化程序
提出两种新的确定性初始聚类方法,名为 CKmeans 和 FCKmeans,基于修改后的拥挤距离,实验研究表明,该方法在聚类准确性方面优于 Kmeans 和 Kmeans ++,其中 CKmeans 和 FCKmeans 的有效性归因于它们 - CVPR基于 K-means 聚类的特征一致性对齐用于无标签模型评估
本文提出了一种用于无标签测试集的基于 K 均值聚类的特征一致性对齐方法 (KCFCA),引入动态回归模型来捕捉数据分布转换和模型精度之间的关系,设计了一种消除异常模型因素,结合多个自我评估模型优点的算法。通过优化自我评估模型,我们的方法在 - R 语言 GrowClusters 包
该论文介绍了 R 语言的 growclusters 包,该包实现了增强版的 k-means 聚类,可以发现每个数据集的本地聚类或分区,并包含创建 R Shiny 应用程序以直观说明 growclusters 包操作和功能的功能。
- Dr. KID: 有机形状可扩展物理实现的直接重网格和 K 集等距分解
Dr. KID 是一种使用等距分解算法的拼图化马铃薯形有机模型物理化的算法,该算法使用 k-means 聚类和 remeshing 迭代重构,通过曲率感知策略确定表面厚度并生成拼图组件,通过三角形子分割和曲率感知聚类实现更顺滑的结果,经过评 - AAAI元重置中的关键样本选择学习
本研究提出了一种学习框架,将元样本选择问题通过严格的理论分析降低到加权 K 均值聚类问题中,提出了两种聚类方法 RBC 和 GBC 以解决 “样本权重不均匀” 问题,并在实际应用中得到了验证。
- AAAI选举舞弊的新颖性检测:基于代理模拟数据的案例研究
本文提出了强健的选举模拟模型和独立开发的选举异常检测算法,使用人工生成选举结果数据集进行欺诈检测,并使用 K-means 算法进行分类和检测模型来检测选举结果的欺诈性。
- AAAI最优稀疏回归树
本文提出了一种动态编程方法来构建确切的最优稀疏回归树,并基于一维 k-Means 聚类算法提出了新的下界,我们能够在几秒钟内找到具有挑战性的数据集的最优稀疏树。
- 使用 Word2Vec 进行话题的时间分析
本研究提出了一种新的方法来检测和可视化主题的趋势,其中使用 k-means 聚类和余弦相似性模型来确定主题的移动路径与方向,并在各种媒体机构的文章数据集上进行了测试。
- 利用 K 均值算法高效搜索主动推理策略空间
本文提出了一种用向量空间嵌入法来进行政策选择的方法,并使用 k-means 聚类算法选择代表点,以在目标取向的图遍历问题中实现了更高效的政策选择。
- 基于聚类的反事实经验回放在机器人控制中的应用
提出了一种基于聚类的采样策略,利用成就目标的属性对轨迹进行分组,并在此基础上采样经验,用于解决多目标强化学习中稀疏奖励的问题。实验结果表明,该方法在三个机器人控制任务中具有显著的优化效果,可以缩短模型收敛时间和提升成功率。
- MINSU(移动库存条码扫描仪):计算机视觉和人工智能
MINSU 算法使用计算机视觉分析方法记录柜子的剩余数量 / 充满度。输入图像经过目标检测、前景减法、K-means 聚类、百分比估计和计数等五步处理,可以准确地估算柜子内的材料数量,从而解决前文提到的剩余量管理问题。
- ICLRDKM: 可微分 K 均值聚类层用于神经网络压缩
该论文提出了一种基于不同 iable k-means 聚类层的 DNN 模型压缩方法,可以在保持模型架构和原损失函数不变的情况下,获得较高的压缩率和模型精度。实验证明,该方法在图像识别和自然语言处理任务上表现出较好的效果。
- ACL关于少样本神经文本生成训练实例选择的研究
研究预训练语言模型在少样本条件下的文本生成,并提出了一种基于 K-means 聚类的选择策略,结果表明这种方法能够显著提高生成模型的性能。
- ICML一轮局部隐私 k 均值
本文提出了一种算法,用于在差分隐私(DP)的一轮(也称非交互式)本地模型中进行 k 均值聚类,该算法实现的逼近比接近于最佳非私有逼近算法,改进了以前已知的仅保证大(常数)逼近比率的算法。此外,这是第一个仅需要一轮本地 DP 模型通信的 k - MMGeoSP: 基于测地距离的大脑皮层表面划分的并行方法
GeoSP 是一种用于皮层分区的并行方法,基于测地距离创建皮层网格的分区,考虑了回缩脑回和沟回的拓扑结构。该方法通过图表征网格并在并行模式下执行 K-means 聚类,此外还有两种使用模式。结果表明,该方法对于两种模式,不同数量的子分区均表 - 利用指数机制和最大覆盖实现差分隐私的 $k$- 均值聚类
介绍了一种新的差分隐私算法,该算法通过将问题转化为基于网格的最大覆盖问题的一系列实例,实现了较低的加性误差并保持恒定的乘性误差,在 $k$-means 聚类问题上取得了更好的实验效果。
- ExKMC: 扩展可解释的 K - 均值聚类
我们研究了基于解释和准确性之间的平衡的 $k$-means 聚类算法,设计了一种新的解释性 $k$-means 聚类算法 ExKMC,用于有效地将数据集划分为 $k'$ 个叶子节点,并以 $k$ 个簇之一的形式对叶子节点进行标记。经实验验证 - 亚洲宗教有何共同之处?一次无监督文本分析探索
本文试图通过文本挖掘技术,探索亚洲和非亚洲的宗教经典之间的相似性,并使用监督学习算法,测量其正确预测各种经文的准确性。利用欧几里得、曼哈顿、Jaccard 和 Cosine 等相似性度量方法以及基于文档单词出现频率和规范化文档单词出现频率等 - 具体 K-means 深度聚类
本研究旨在探讨从未标记数据中同时学习 K-means 聚类和深度特征表示的问题,通过 Gumbel-Softmax 重参数化技巧的梯度估计器解决了原问题,并通过标准聚类基准测试证明了方法的有效性。
- 机器学习中的数据删除:让人工智能忘掉您
研究了如何在不影响模型质量的情况下,有效地删除机器学习模型中的个人数据,针对 k-means 聚类模型,提出了两个可靠且高效的删除算法,平均删除效率提高了 100 倍以上。