ConiVAT：利用部分背景知识的聚类趋势评估与聚类
机器学习
2020-09-29 v2 机器学习
摘要
VAT方法是一种用于确定数值数据中潜在聚类结构和可能聚类数目的可视化技术。其改进版本iVAT使用基于路径的距离变换来提高VAT在“困难”案例中的有效性。VAT和iVAT也都曾与单连接（SL）层次聚类算法结合使用。然而，它们对数据集中噪声和簇间桥接点敏感，因此相应的VAT/iVAT图像在此类情况下往往不明确。本文提出一种基于约束的iVAT版本，称之为ConiVAT，它利用以约束形式给出的背景知识，来改善VAT/iVAT在具有挑战性和复杂数据集上的表现。ConiVAT使用输入约束学习底层相似度度量，并在应用VAT之前构建最小传递相异矩阵。我们在九个数据集上展示了ConiVAT用于可视化评估和单连接聚类的方法，表明它改善了复杂数据集上iVAT图像的质量，并且克服了VAT/iVAT因簇间“噪声”桥接导致的SL聚类局限。在九个数据集上的大量实验结果表明，ConiVAT在提高聚类精度方面优于其他三种半监督聚类算法。
引用
@article{arxiv.2008.09570,
title = {ConiVAT: Cluster Tendency Assessment and Clustering with Partial Background Knowledge},
author = {Punit Rathore and James C. Bezdek and Paolo Santi and Carlo Ratti},
journal= {arXiv preprint arXiv:2008.09570},
year = {2020}
}
备注
Submitted to IEEE Transactions on Knowledge and Data Engineering