基于最小割的聚类的信息论推导
机器学习
2008-11-27 v1
摘要
基于最小化Shi和Malik提出的两个启发式代价函数之一的最小割聚类，在过去十年中在图划分和图像分割领域引发了大量的分析和算法研究。然而，目前尚不清楚这些启发式方法是否可以从一个更一般的原理中推导出来，从而促进其推广到新的问题设置。受现有图划分框架的启发，我们推导了优化相关性信息（如信息瓶颈方法中所定义的）与K划分图中的正则割之间的关系。对于快速混合图，我们证明了Shi和Malik引入的代价函数可以很好地近似为关于图上随机游走者位置预测信息的损失率。对于由旨在建模社区结构的随机算法生成的图，最优信息论划分和最优最小割划分被证明以高概率相同。
引用
@article{arxiv.0811.4208,
title = {An information-theoretic derivation of min-cut based clustering},
author = {Anil Raj and Chris H. Wiggins},
journal= {arXiv preprint arXiv:0811.4208},
year = {2008}
}
备注
7 pages, 3 figures, two-column, submitted to IEEE Transactions on Pattern Analysis and Machine Intelligence