MeanCut: 一种基于路径相似性和度下降准则的贪心优化图聚类方法
机器学习
2023-12-08 v1
摘要
作为最典型的图聚类方法，谱聚类因其卓越的性能、易于实现和强适应性而广受欢迎。经典谱聚类使用基于欧几里得距离的度量来衡量图的边权重，并通过放松指示矩阵约束和执行拉普拉斯分解来求解最优图划分。然而，在处理非球形数据分布时，基于欧几里得距离的相似性可能导致偏斜的图切割，且放松策略会引入信息损失。同时，谱聚类需要指定聚类数量，而在缺乏足够先验知识的情况下难以确定。本文利用基于路径的相似性来增强簇内关联，提出MeanCut作为目标函数，并按度降序贪心优化以实现无损图划分。该算法能够识别任意形状的簇，且对噪声具有鲁棒性。为降低相似性计算的计算复杂度，我们将最优路径搜索转化为生成最大生成树（MST），并开发了一种快速MST（FastMST）算法以进一步提高时间效率。此外，我们定义了一个密度梯度因子（DGF）用于分离弱连接簇。通过在真实世界基准测试和人脸识别应用上的验证，证明了我们算法的有效性。MeanCut的源代码可在https://github.com/ZPGuiGroupWhu/MeanCut-Clustering获取。
引用
@article{arxiv.2312.04067,
title = {MeanCut: A Greedy-Optimized Graph Clustering via Path-based Similarity and Degree Descent Criterion},
author = {Dehua Peng and Zhipeng Gui and Huayi Wu},
journal= {arXiv preprint arXiv:2312.04067},
year = {2023}
}
备注
17 pages, 8 figures, 6 tables