一种针对具有指定协变量不确定性的贪婪且乐观的聚类方法

在本研究中，我们考察了一类聚类问题，其中数据集中每个个体元素的协变量都关联有该元素特有的不确定性。更具体地，我们考虑一种聚类方法，其通过对协变量施加非线性变换的预处理来捕捉隐藏的数据结构。为此，我们对经预处理特征所传播的 Uncertainty（不确定性）集合进行了经验近似。为利用这些经验不确定性集合，我们提出了一种贪婪且乐观的聚类（GOC）算法，该算法在此类集合上寻找更优的特征候选，从而产生更紧密的簇。作为一个重要应用，我们将 GOC 算法应用于通过模拟银河系形成过程所生成的恒星轨道性质合成数据集。GOC 算法在寻找源自同一矮星系的姊妹星方面展现出改进的性能。这些真实数据集也已公开可用。