CoHiRF: 超越规模限制的可解释层次共识聚类
机器学习
2026-02-10 v3 机器学习
摘要
我们介绍了CoHiRF（Consensus Hierarchical Random Features），一种层次共识框架，使现有聚类方法能够超越其通常的计算和内存限制。CoHiRF是一种元算法，仅 operates on base clustering method产生的标签分配，不修改其目标函数、优化程序或几何假设。它反复应用基本方法于多个低维特征视图或随机实现上，通过共识强制实现一致性，并通过基于代表的收缩逐步减小问题规模。跨越多样化的合成和真实世界实验，涵盖基于中心的、基于核的、基于密度的和基于图的方法，我们展示CoHiRF能够提高对高维噪声的鲁棒性，在随机变异性下增强稳定性，并使规模化达到单独使用基本方法不可行的程度。我们还对层次共识何时有益提供了经验性特征，突出了可重复标签关系及其与基于代表的收缩之间的兼容性。除了平面分区，CoHiRF产生一个显式的聚类融合层次，提供多分辨率和可解释的聚类结构视图。综上，这些结果将层次共识定位为大规模聚类的实用且灵活的工具，扩展了现有方法的适用性，而无需改变其底层行为。
引用
@article{arxiv.2502.00380,
title = {CoHiRF: Hierarchical Consensus for Interpretable Clustering Beyond Scalability Limits},
author = {Katia Meziani and Bruno Belucci and Karim Lounici and Vladimir R. Kostic},
journal= {arXiv preprint arXiv:2502.00380},
year = {2026}
}