声学语音片段多阶段凝聚式层次聚类中的簇大小管理
机器学习
2018-10-31 v1 机器学习
摘要
凝聚式层次聚类（AHC）仅要求已知对象间的相似度。当聚类长度可变的信号（如语音）不易在固定维向量空间中表示时，这具有吸引力。然而，AHC 具有 的空间和时间复杂度，使其难以用于划分大型数据集。最近一种基于大数据集独立子集迭代重聚类的方法解决了该问题。我们表明，由于其迭代性质，该过程有时会导致单个子集的无限增长，从而损害其有效性。我们提出将简单的空间管理策略集成到迭代过程中，并通过实验表明，这能在 F-measure 方面不损失性能的同时，保证不突破阈值空间复杂度。
引用
@article{arxiv.1810.12744,
title = {Cluster Size Management in Multi-Stage Agglomerative Hierarchical Clustering of Acoustic Speech Segments},
author = {Lerato Lerato and Thomas Niesler},
journal= {arXiv preprint arXiv:1810.12744},
year = {2018}
}
备注
12 pages