相异度自组织映射的快速算法与实现
神经与进化计算
2007-09-24 v1 机器学习
摘要
在许多现实世界的应用中，数据无法通过向量准确表示。在这些情况下，一种可能的解决方案是依赖相异度度量，以实现观测值之间的合理比较。Kohonen 的自组织映射（SOM）已被改编为仅通过相异度矩阵描述的数据。该算法提供了非向量数据的非线性投影和聚类。不幸的是，该算法计算成本高昂，使其难以用于海量数据集。在本文中，我们提出了一种新算法，在不改变其结果（结果与原始算法获得的结果完全相同）的情况下，显著降低了相异度 SOM 的理论成本。此外，我们引入了实现方法，从而大大缩短了运行时间。从理论成本模型推导出的改进已在模拟数据和现实世界数据（一个词表聚类问题）上得到验证。我们还证明，所提出的实现方法将快速算法相对于标准实现的运行时间减少了高达 3 倍。
引用
@article{arxiv.0709.3461,
title = {Fast Algorithm and Implementation of Dissimilarity Self-Organizing Maps},
author = {Brieuc Conan-Guez and Fabrice Rossi and Aïcha El Golli},
journal= {arXiv preprint arXiv:0709.3461},
year = {2007}
}