核K均值聚类的近最优风险界

Yong Liu; Lizhong Ding; Weiping Wang

核K均值聚类的近最优风险界

机器学习 2020-05-15 v2 机器学习

作者: Yong Liu , Lizhong Ding , Weiping Wang

摘要

本文研究了核 $k$ -均值的统计性质，获得了近最优的超额聚类风险界，显著改进了现有聚类风险分析中的最优界。我们进一步分析了Nystr"{o}m核 $k$ -均值的计算近似的统计效应，并证明在仅考虑 $\Omega(\sqrt{nk})$ 个Nystr"{o}m地标点时，其达到了与精确核 $k$ -均值相同的统计精度。据我们所知，针对核（或近似核） $k$ -均值的此类尖锐超额聚类风险界此前从未被提出过。

关键词

核K均值聚类风险界超额聚类风险 Nystr"{o}m近似统计学习理论

引用

@article{arxiv.2003.03888,
  title  = {Nearly Optimal Clustering Risk Bounds for Kernel K-Means},
  author = {Yong Liu and Lizhong Ding and Weiping Wang},
  journal= {arXiv preprint arXiv:2003.03888},
  year   = {2020}
}

核K均值聚类的近最优风险界

摘要

关键词

引用

相关论文