使用非凸融合惩罚对含缺失条目数据进行聚类
计算机视觉与模式识别
2017-09-07 v1 机器学习
机器学习
摘要
数据中缺失条目的存在常常给模式识别算法带来挑战。传统的聚类算法假设每个数据点的所有特征值都是已知的。我们提出了一种在信息缺失情况下对数据进行聚类的方法。与每个点所有特征都已知的传统聚类技术不同，我们的算法可以处理每个点少数特征值未知的情况。针对这个更具挑战性的问题，我们提供了基于融合惩罚优化问题的聚类理论保证。此外，我们提出了一种算法，使用饱和非凸融合惩罚来解决该问题的松弛形式。观察到该算法产生的解随着缺失特征值比例的增加而逐渐退化。我们使用模拟数据集、Wine数据集和欠采样心脏MRI数据集展示了所提方法的实用性。结果表明，所提方法对于具有大量缺失条目的数据集是一种有前景的聚类技术。
引用
@article{arxiv.1709.01870,
title = {Clustering of Data with Missing Entries using Non-convex Fusion Penalties},
author = {Sunrita Poddar and Mathews Jacob},
journal= {arXiv preprint arXiv:1709.01870},
year = {2017}
}