曲线形状的贝叶斯聚类
机器学习
2015-04-03 v1 机器学习
摘要
根据形状对曲线进行无监督聚类是一个具有广泛科学应用的重要问题。现有的基于模型的聚类技术要么依赖于简单的概率模型（例如高斯模型），这些模型通常不适用于形状分析，要么假设聚类数量已知。我们开发了一种高效的贝叶斯方法，利用基于曲线形状联合配准和比较的弹性形状度量来聚类曲线数据。使用从数据获得的弹性内积矩阵，并采用 Wishart 分布对其进行建模，为其参数分配精心选择的先验分布，以实现对聚类数量的自动推断。通过后验采样，采用基于中国餐馆过程的高效马尔可夫链蒙特卡洛程序，推断 (1) 聚类数量的后验分布，以及 (2) 形状的聚类配置。该方法在多种合成数据以及蛋白质结构分析、显微镜图像中的细胞形状分析和 MPEG7 数据库形状聚类等真实数据示例上进行了演示。
引用
@article{arxiv.1504.00377,
title = {Bayesian Clustering of Shapes of Curves},
author = {Zhengwu Zhang and Debdeep Pati and Anuj Srivastava},
journal= {arXiv preprint arXiv:1504.00377},
year = {2015}
}