具有指数族的贝叶斯层次聚类：小方差渐近性与可归约性
机器学习
2015-06-04 v2 机器学习
摘要
贝叶斯层次聚类 (BHC) 是一种凝聚聚类方法，其中定义了一个概率模型，并评估其边缘似然以决定合并哪些簇。虽然 BHC 相比传统的基于距离的凝聚聚类算法提供了一些优势，但连续评估边缘似然和仔细的超参数调整非常繁琐，限制了其可扩展性。在本文中，我们将 BHC 松弛为非概率形式，探索共轭指数模型中的小方差渐近性。我们从 BHC 模型的渐近极限开发了一种新的聚类算法，称为松弛 BHC (RBHC)，该算法既展现了基于距离的凝聚聚类算法的可扩展性，又具备贝叶斯非参数模型的灵活性。我们还研究了从 BHC 模型渐近极限中产生的相异性度量的可归约性，使我们能够使用诸如最近邻链算法等可扩展算法。在合成数据集和真实世界数据集上的数值实验证明了我们方法的有效性和高性能。
引用
@article{arxiv.1501.07430,
title = {Bayesian Hierarchical Clustering with Exponential Family: Small-Variance Asymptotics and Reducibility},
author = {Juho Lee and Seungjin Choi},
journal= {arXiv preprint arXiv:1501.07430},
year = {2015}
}
备注
10 pages, 2 figures, AISTATS-2015