基于确定性信息瓶颈算法的稀疏聚类
机器学习
2026-01-29 v1
摘要
聚类分析涉及将对象分配到理想情况下呈现某些可取特征的组中。当聚类结构局限于特征空间的子集时，传统聚类技术将面临前所未有的挑战。我们提出一种信息论框架，克服稀疏数据相关的问题，实现特征加权与聚类的联合优化。我们的方案构成现有稀疏数据聚类算法的有力替代方案，已通过合成数据上的模拟实验予以证明。该方法的有效性通过应用于真实基因组数据集得以确立。
引用
@article{arxiv.2601.20627,
title = {DIVERSE: Disagreement-Inducing Vector Evolution for Rashomon Set Exploration},
author = {Gilles Eerlings and Brent Zoomers and Jori Liesenborgs and Gustavo Rovelo Ruiz and Kris Luyten},
journal= {arXiv preprint arXiv:2601.20627},
year = {2026}
}