用于鲁棒谱聚类的上下文感知超图构建
计算机视觉与模式识别
2016-11-15 v1 机器学习
摘要
谱聚类是无监督数据分析的有力工具。本文提出了一种上下文感知超图相似度度量（CAHSM），该度量在数据含噪情况下可实现鲁棒的谱聚类。我们构建了三种类型的超图：成对超图、k 近邻（kNN）超图和高阶过聚类超图。成对超图捕捉数据点之间的成对相似度；kNN 超图捕捉每个点的邻域信息；聚类超图则编码数据集中的高阶上下文。通过结合这三种超图的亲和度信息，CAHSM 算法能够探索数据集的内在拓扑信息。因此，使用 CAHSM 进行数据聚类往往更加鲁棒。考虑到簇内紧凑性和簇间可分性，我们进一步设计了一种判别式超图划分准则（DHPC）。结合 CAHSM 和 DHPC，我们开发了一种鲁棒的谱聚类算法。理论分析和实验评估证明了所提算法的有效性和鲁棒性。
引用
@article{arxiv.1401.0764,
title = {Context-Aware Hypergraph Construction for Robust Spectral Clustering},
author = {Xi Li and Weiming Hu and Chunhua Shen and Anthony Dick and Zhongfei Zhang},
journal= {arXiv preprint arXiv:1401.0764},
year = {2016}
}
备注
10 pages. Appearing in IEEE TRANSACTIONS ON KNOWLEDGE AND DATA ENGINEERING: http://doi.ieeecomputersociety.org/10.1109/TKDE.2013.126