基于核心集的全动态 k-means 实验评估
数据结构与算法
2023-10-30 v1
摘要
对于 中的点集，欧氏 -means 问题旨在找到 个中心，使得每个数据点到其最近中心的距离平方和最小。核心集是近年来为解决大数据背景下该问题而开发的主要工具之一。它们能够在保持初始数据集结构的同时对其进行压缩：在核心集上运行任何算法，所提供的保证几乎等同于在完整数据上运行。在本文中，我们研究全动态设定下的核心集：点被插入和删除，目标是高效维护一个核心集，并据此计算出 k-means 解。基于 Henzinger 和 Kale [ESA'20] 的算法，我们提出了一种高效且实用的全动态核心集算法实现，与我们对 Henzinger 和 Kale 算法的非优化实现相比，运行时间最高提升 20 倍，而 k-means 解的质量损失不超过 7%。
引用
@article{arxiv.2310.18034,
title = {Experimental Evaluation of Fully Dynamic k-Means via Coresets},
author = {Monika Henzinger and David Saulpic and Leonhard Sidl},
journal= {arXiv preprint arXiv:2310.18034},
year = {2023}
}
备注
Accepted at ALENEX 24