大规模多核聚类的快速非对称分解
机器学习
2024-05-28 v1
摘要
核方法广泛用于非线性数据聚类，但其有效性严重依赖于选择合适的核和相关参数，这在事先确定方面存在挑战。作为响应，多核聚类 (Multiple Kernel Clustering, MKC) 作为一种解决方案，允许从多个基核融合信息进行聚类。然而，早期融合和晚期融合方法在大规模 MKC 上都面临内存和时间限制的挑战，迫切需要同时优化这两个方面。为此，我们提出了高效多核概念分解 (Efficient Multiple Kernel Concept Factorization, EMKCF)，该方法受局部回归启发构建稀疏核矩阵，以实现内存效率。EMKCF 通过扩展正交概念分解来处理多个核，以实现时间效率。实验结果表明，EMKCF 在与最新方法相比的基准数据集上表现出色，显示出其效率和有效性。该方法为大规模 MKC 任务提供了一个简单、可扩展且高效的解决方案。
引用
@article{arxiv.2405.16447,
title = {Fast Asymmetric Factorization for Large Scale Multiple Kernel Clustering},
author = {Yan Chen and Liang Du and Lei Duan},
journal= {arXiv preprint arXiv:2405.16447},
year = {2024}
}