面向分类的聚类定制自适应距离度量——CADM
机器学习
2026-03-09 v2 机器学习
摘要
恰当的距离度量对于分类数据聚类至关重要，因为分类数据之间的距离无法直接计算。然而，属性值之间的距离通常因在不同聚类中由其不同分布所引起的差异而有所不同，这一点尚未被考虑进去，从而导致距离测量不合理。因此，我们提出了一种用于分类数据聚类的聚类定制距离度量，能够根据每个聚类中属性的不同分布进行距离的竞争性更新。此外，我们将该距离度量扩展到包含数值和分类属性的混合数据。实验表明，所提出的方法有效，即在十四个数据集上平均排名约为第一。源代码可在 https://anonymous.4open.science/r/CADM-47D8 获取。
引用
@article{arxiv.2511.05826,
title = {CADM: Cluster-customized Adaptive Distance Metric for Categorical Data Clustering},
author = {Taixi Chen and Yiu-ming Cheung and Yiqun Zhang},
journal= {arXiv preprint arXiv:2511.05826},
year = {2026}
}
备注
Accepted by ICASSP 2026