簇内相异度约束下的最少簇数聚类
机器学习
2021-09-29 v1
摘要
本文提出等宽聚类问题，其中有效划分必须满足簇内相异度约束。与大多数现有聚类算法不同，等宽聚类既不依赖密度，也不依赖预定义的期望类别数量，而是依赖一个相异度阈值。其主要目标是确保以簇代表最终替换任意对象所引发误差的上界。在此约束下，我们首要关注最小化簇的数量，以及潜在的次级目标。我们论证等宽聚类是一个合理的聚类问题，并讨论其与其他优化问题的关系、已有与新颖的实现方式以及近似策略。我们回顾并评估了适用的聚类算法，以识别该聚类问题各类实际解法之间的权衡。
引用
@article{arxiv.2109.13644,
title = {Clustering to the Fewest Clusters Under Intra-Cluster Dissimilarity Constraints},
author = {Jennie Andersen and Brice Chardin and Mohamed Tribak},
journal= {arXiv preprint arXiv:2109.13644},
year = {2021}
}