基于自适应共振理论的具有可连续学习的分裂层次结构的拓扑聚类
机器学习
2022-07-08 v4 神经与进化计算
摘要
自适应共振理论（ART）因其处理可塑性-稳定性困境的能力，被视为实现连续学习的有效途径。然而一般而言，基于 ART 的算法的聚类性能严重依赖于相似性阈值的设定，即警觉参数（vigilance parameter），该参数依赖于数据且需手工指定。本文提出一种基于 ART 的拓扑聚类算法，其机制可从数据点分布中自动估计相似性阈值。此外，为提升信息提取性能，通过向所提算法引入层次结构，提出了一种能够进行连续学习的分裂式层次聚类算法。实验结果表明，所提算法具有与近期提出的最先进（state-of-the-art）层次聚类算法相媲美的高聚类性能。
引用
@article{arxiv.2201.10713,
title = {Adaptive Resonance Theory-based Topological Clustering with a Divisive Hierarchical Structure Capable of Continual Learning},
author = {Naoki Masuyama and Narito Amako and Yuna Yamada and Yusuke Nojima and Hisao Ishibuchi},
journal= {arXiv preprint arXiv:2201.10713},
year = {2022}
}
备注
This paper is accepted in IEEE Access