基于锚图分解的无锚点聚类
机器学习
2024-10-31 v2
摘要
基于锚点的方法是处理大规模数据聚类的关键途径。然而，这些方法通常包含两个 distinct 阶段：选择锚点和构建锚图。这种二分法以及锚点的初始化显著影响了算法的整体性能。为缓解这些问题，我们提出了一种名为基于锚图分解的无锚点聚类（AFCAGF）的新方法。AFCAGF 在锚图学习上进行了创新，仅需计算样本间的成对距离。这一过程可通过简单的优化实现，从而规避了显式选择锚点的必要性。更具体而言，我们的方法增强了模糊 k-均值聚类算法（FKM），引入了一种新的流形学习技术，消除了初始化聚类中心的需求。此外，我们将 FKM 中聚类中心与样本之间的隶属度矩阵概念演变为涵盖多个锚点与样本的锚图。对该锚图应用非负矩阵分解（NMF）可直接推导出聚类标签，从而消除了对进一步后处理步骤的需求。为求解所提出的方法，我们实现了一种确保收敛的交替优化算法。在多个真实世界数据集上的实证评估证实，与传统方法相比，我们的算法具有更优越的效能。
引用
@article{arxiv.2402.15688,
title = {Anchor-free Clustering based on Anchor Graph Factorization},
author = {Shikun Mei and Fangfang Li and Quanxue Gao and Ming Yang},
journal= {arXiv preprint arXiv:2402.15688},
year = {2024}
}
备注
The content of the paper has been revised, and there are no current plans to submit it