几何-k-means：快速且环保 k-means 方法
机器学习
2025-08-11 v1
摘要
本文提出了几何-k-means（或 Gk-means）方法，这是一种显著提升广泛使用的 k-means 算法效率和能源经济性的新方法。尽管该算法已存在五十多年，但仍是机器学习应用中的基石。Gk-means 方法的核心在于积极利用几何原理，特别是标量投影，以显著加速算法，同时不牺牲解的质量。这种几何策略实现了对最可能影响聚类更新的数据点进行更精准筛选，我们称为高表达数据（HE）。相比之下，对聚类结果影响不大的数据（LE）被有效地跳过，从而大幅减少了计算开销。实验在合成数据、真实数据和高维数据集上进行，结果显示 Gk-means 在运行时间和距离计算（DC）方面显著优于传统方法和最新（SOTA）k-means 变体。此外，Gk-means 表现出更好的资源效率，证明其更可持续的替代方案。
引用
@article{arxiv.2508.06353,
title = {Geometric-k-means: A Bound Free Approach to Fast and Eco-Friendly k-means},
author = {Parichit Sharma and Marcin Stanislaw and Hasan Kurban and Oguzhan Kulekci and Mehmet Dalkilic},
journal= {arXiv preprint arXiv:2508.06353},
year = {2025}
}