具有一致性判别图的局部样本加权多核聚类
机器学习
2022-07-08 v1 人工智能
摘要
多核聚类（MKC）致力于从一组基核中实现最优信息融合。构建精确的局部核矩阵在应用中被证明至关重要，因为不可靠的远距离相似性估计会降低聚类性能。尽管现有的局部化MKC算法相比全局设计的竞争对手表现出更好的性能，但它们大多广泛采用KNN机制，通过考虑{\tau}个最近邻来局部化核矩阵。然而，这种粗略的方式遵循了一种不合理的策略，即不同邻居的排序重要性是相等的，这在应用中是不切实际的。为了缓解这些问题，本文提出了一种新颖的局部样本加权多核聚类（LSWMKC）模型。我们首先在核空间中构建一个共识判别亲和图，揭示潜在的局部结构。此外，为学习到的亲和图输出一个具有自然稀疏属性和清晰块对角结构的最优邻域核。而且，LSWMKC隐式地优化了对应样本的不同邻居的自适应权重。实验结果表明，我们的LSWMKC具有更好的局部流形表示能力，并且优于现有的基于核或图的聚类算法。LSWMKC的源代码可以从https://github.com/liliangnudt/LSWMKC公开获取。
引用
@article{arxiv.2207.02846,
title = {Local Sample-weighted Multiple Kernel Clustering with Consensus Discriminative Graph},
author = {Liang Li and Siwei Wang and Xinwang Liu and En Zhu and Li Shen and Kenli Li and Keqin Li},
journal= {arXiv preprint arXiv:2207.02846},
year = {2022}
}