应用于纵向神经追踪的具有快速、自动化与可复现评估的聚类方法
机器学习
2020-03-20 v1 机器学习
定量方法
摘要
从神经追踪到数据库实体解析的许多领域中，由人类专家手动评估聚类阻碍了可扩展且专用聚类方法的快速发展。为解决此问题，我们开发了 C-FAR，一种用于同时快速、自动化与可复现地评估多种层次聚类算法的新方法。我们的算法以任意数量的层次聚类树为输入，然后策略性地查询配对以获取人类反馈，并输出这些树所提名聚类中的最优聚类。虽适用于任何利用配对比较进行评估的大规模领域数据集，我们的旗舰应用是尖峰排序中的聚类聚合步骤，即将记录中的波形（尖峰）分配给神经元的任务。在 96 个神经元于包括漂移与 25% 断电等不利条件下的仿真数据上，我们的算法相对真值产生近乎完美的追踪。我们的运行时间随输入树数量线性缩放，使其成为具竞争力的计算工具。这些结果表明 C-FAR 高度适合作为聚类任务中的模型选择与评估工具。
引用
@article{arxiv.2003.08533,
title = {Clustering with Fast, Automated and Reproducible assessment applied to longitudinal neural tracking},
author = {Hanlin Zhu and Xue Li and Liuyang Sun and Fei He and Zhengtuo Zhao and Lan Luan and Ngoc Mai Tran and Chong Xie},
journal= {arXiv preprint arXiv:2003.08533},
year = {2020}
}
备注
11 pages, 5 figures