一种用于凸聚类的有效平滑近端梯度算法
机器学习
2020-06-24 v1 统计方法学
机器学习
摘要
聚类分析将数据组织成合理的分组，是理解和学习的基本模式之一。广泛使用的 K-means 和层次聚类方法由于局部极小值可能严重次优。最近提出的凸聚类方法将聚类表述为一个凸优化问题，并确保全局最优解。然而，基于交替方向乘子法（ADMM）或交替最小化算法（AMA）的最先进凸聚类算法需要大量的计算和内存空间，这限制了它们的应用。在本文中，我们为凸聚类开发了一种非常高效的平滑近端梯度算法（Sproga）。我们的 Sproga 比基于 ADMM 或 AMA 的凸聚类算法快一到两个数量级。Sproga 所需的内存空间比 ADMM 和 AMA 所需的内存空间至少少一个数量级。计算机模拟和真实数据分析表明，Sproga 优于几种著名的聚类算法，包括 K-means 和层次聚类。我们算法的高效性和优越性能将有助于凸聚类找到其广泛应用。
引用
@article{arxiv.2006.12592,
title = {An Efficient Smoothing Proximal Gradient Algorithm for Convex Clustering},
author = {Xin Zhou and Chunlei Du and Xiaodong Cai},
journal= {arXiv preprint arXiv:2006.12592},
year = {2020}
}
备注
21 pages, 4 figures