LGBQPC：局部粒球质量峰值聚类
机器学习
2025-05-19 v1
摘要
密度峰值聚类（DPC）算法因其基于简单而有效的假设来检测任意形状簇的能力而备受关注。近期将粒球（GB）计算与DPC相结合的进展催生了基于GB的DPC（GBDPC）算法，该算法提高了计算效率。然而，GBDPC在处理复杂聚类任务时表现出局限性，特别是那些涉及具有复杂流形结构或非均匀密度分布的数据的任务。为克服这些挑战，本文提出了局部GB质量峰值聚类（LGBQPC）算法，该算法基于合理粒度原则（POJG），在GB生成和聚类过程两个方面对GBDPC进行了全面改进。首先，开发了一种改进的GB生成方法，称为GB-POJG+，它在四个关键方面系统地改进了原始的GB-POJG：目标函数、GB划分的终止准则、异常GB的定义以及粒度级别自适应策略。GB-POJG+通过仅要求一个惩罚系数来简化参数配置，并确保高质量的GB生成，同时将生成的GB数量保持在可接受的范围内。在聚类阶段，基于GB k-近邻图引入了两项关键创新：用于密度估计的相对GB质量和用于GB距离度量的测地距离。这些修改显著提高了GBDPC在具有复杂流形结构或非均匀密度分布的数据集上的性能。在40个基准数据集（包括合成数据集和公开数据集）上的大量数值实验验证了所提出的LGBQPC算法的优越性能。
引用
@article{arxiv.2505.11359,
title = {LGBQPC: Local Granular-Ball Quality Peaks Clustering},
author = {Zihang Jia and Zhen Zhang and Witold Pedrycz},
journal= {arXiv preprint arXiv:2505.11359},
year = {2025}
}