利用增长神经气生成的参考向量与网络拓扑的近似谱聚类
机器学习
2021-08-27 v4 神经与进化计算
机器学习
摘要
谱聚类（SC）是最流行的聚类方法之一，常优于传统聚类方法。SC 使用从数据集相似度矩阵计算出的拉普拉斯矩阵的特征向量。SC 存在严重缺陷：特征向量计算导致时间复杂度显著增加，以及存储相似度矩阵所需的内存空间复杂度。为解决这些问题，本文开发了一种利用增长神经气（GNG）生成网络的新型近似谱聚类，称为 ASC with GNG。ASC with GNG 不仅使用参考向量进行矢量量化，还利用网络拓扑提取数据集中数据点之间的拓扑关系。ASC with GNG 根据 GNG 生成的参考向量和网络拓扑计算相似度矩阵。利用 GNG 从数据集生成的网络，ASC with GNG 得以降低计算和空间复杂度并改善聚类质量。在本研究中，证明了 ASC with GNG 有效减少了计算时间。此外，本研究表明 ASC with GNG 提供了等于或优于 SC 的聚类性能。
引用
@article{arxiv.2009.07101,
title = {Approximate spectral clustering using both reference vectors and topology of the network generated by growing neural gas},
author = {Kazuhisa Fujita},
journal= {arXiv preprint arXiv:2009.07101},
year = {2021}
}