基于群体一致性估计与多粒度链接分析的多种聚类融合

聚类集成技术旨在将多个聚类结果融合为一个可能更优且更鲁棒的聚类，近年来受到越来越多的关注。现有的聚类集成方法主要存在两方面的局限：首先，许多方法在无法访问原始数据的情况下缺乏对基聚类进行加权的机制，因此容易受到低质量甚至错误聚类的显著影响；其次，它们通常仅关注集成系统中的实例层面或聚类层面，未能将多粒度线索整合到一个统一的模型中。针对这两个局限，本文提出通过群体一致性估计和多粒度链接分析来解决聚类集成问题。我们提出了归一化群体一致性指数（NCAI），以无监督方式评估基聚类的质量，从而根据其聚类有效性对基聚类进行加权。为了探索聚类之间的关系，我们引入了源感知连通三元组（SACT）相似度，该指标综合考虑了共同邻居和源可靠性。基于 NCAI 以及在基聚类、聚类和数据实例之间收集的多粒度信息，我们进一步提出了两种新颖的一致性函数，分别称为加权证据累积聚类（WEAC）和基于多粒度链接分析的图划分（GP-MGLA）。我们在八个真实世界数据集上进行了实验。实验结果证明了所提方法的有效性和鲁棒性。