基于多智能体强化学习的自适应鲁棒 DBSCAN
机器学习
2025-05-09 v1 人工智能
摘要
DBSCAN 是一种著名的基于密度的聚类算法，因其在识别任意形状的聚类和处理噪声数据方面的有效性而获得了广泛的普及和使用。然而，当面对具有不同密度尺度的数据集（这是实际应用中的常见情况）时，它在产生令人满意的聚类结果方面遇到了挑战。在本文中，我们提出了一种基于多智能体强化学习的新型自适应鲁棒 DBSCAN 聚类框架，即 AR-DBSCAN。首先，我们将初始数据集建模为二级编码树，并根据编码树中确定的信息不确定性将数据顶点划分为不同的密度分区。然后将每个分区分配给一个智能体，以在无需人工辅助的情况下寻找最佳聚类参数。这种分配是密度自适应的，使 AR-DBSCAN 能够通过为不同分区利用不同的智能体来有效处理数据集内多样的密度分布。其次，设计了一种由多智能体深度强化学习引导的自动参数搜索过程。通过感知聚类环境来调整参数搜索方向的过程被建模为马尔可夫决策过程。使用弱监督奖励训练策略网络，每个智能体通过与聚类交互自适应地学习最优聚类参数。第三，提出了一种适应数据规模的递归搜索机制，实现了对大参数空间的高效且可控的探索。在九个人工数据集和一个真实数据集上进行了大量实验。离线和在线任务的结果表明，AR-DBSCAN 不仅在 NMI 和 ARI 指标上分别将聚类准确率提高了高达 144.1% 和 175.3%，而且能够鲁棒地找到主导参数。
引用
@article{arxiv.2505.04339,
title = {Adaptive and Robust DBSCAN with Multi-agent Reinforcement Learning},
author = {Hao Peng and Xiang Huang and Shuo Sun and Ruitong Zhang and Philip S. Yu},
journal= {arXiv preprint arXiv:2505.04339},
year = {2025}
}