学习增强的图结构 $k$-聚类
机器学习
2025-06-17 v1 数据结构与算法
摘要
聚类是无监督学习中的一个基本任务。以往的研究聚焦于在欧几里得度量下进行学习增强的 -means，限制了其针对复杂数据表示的适用性。本文将学习增强的 -聚类推广到一般度量，使其能够应用于图结构和非欧几里得领域。我们的框架也放宽了限制性的簇大小约束，为数据集不均衡或聚类分布未知的情况提供了更大的灵活性。此外，我们将查询复杂度的困难性推广到一般度量：在指数时间假设（ETH）下，我们表明任何多项式时间算法都必须执行约等于 次查询才能实现 近似。这些贡献加强了学习增强聚类的理论基础和实际应用性，弥合了传统方法与现实挑战之间的鸿沟。
引用
@article{arxiv.2506.13533,
title = {Learning Augmented Graph $k$-Clustering},
author = {Chenglin Fan and Kijun Shin},
journal= {arXiv preprint arXiv:2506.13533},
year = {2025}
}