用于在线聚类的演化受限玻尔兹曼机-Kohonen网络
机器学习
2024-02-15 v1
摘要
本文提出了一种新颖的在线聚类算法，该算法将演化受限玻尔兹曼机（ERBM）与 Kohonen 网络（KNet）相结合，称为 ERBM-KNet。所提出的 ERBM-KNet 利用 ERBM 以单遍模式高效处理流数据，采用偏差-方差策略进行神经元生长和剪枝，并利用 KNet 基于聚类更新策略进行聚类预测和聚类中心更新的在线聚类。最初，ERBM 在处理未标记图像数据时演化其架构，有效地在潜在空间中解耦数据分布。随后，KNet 利用从 ERBM 提取的特征来预测聚类数量并更新聚类中心。通过克服聚类算法常见的挑战，例如需要预先初始化聚类数量和聚类精度欠佳，所提出的 ERBM-KNet 提供了显著的改进。在四个基准数据集和一个工业数据集上的广泛实验评估证明了 ERBM-KNet 相较于最先进方法的优越性。
引用
@article{arxiv.2402.09167,
title = {Evolving Restricted Boltzmann Machine-Kohonen Network for Online Clustering},
author = {J. Senthilnath and Adithya Bhattiprolu and Ankur Singh and Bangjian Zhou and Min Wu and Jón Atli Benediktsson and Xiaoli Li},
journal= {arXiv preprint arXiv:2402.09167},
year = {2024}
}
备注
9 pages, 11 figures, 3 tables