基于惩罚K近邻图的聚类度量
计算机视觉与模式识别
2010-06-15 v1
摘要
聚类中的一个难题是如何处理具有流形结构的数据，即那些并非以紧凑点云形式存在，而是在高维空间中形成任意形状或路径的数据。本文引入了基于惩罚K近邻图（PKNNG）的度量，这是一种在此类情况下评估距离的新工具。该新度量可与大多数聚类算法结合使用。PKNNG度量基于两步过程：首先，使用较小的k值构建目标数据集的K近邻图；然后，添加具有指数惩罚权重的边，以连接第一步产生的子图。我们讨论了连接不同子图的几种可能方案。我们使用三个在四种不同嵌入情形下的人工数据集来评估新度量的性能，包括不同聚类方法之间的比较。我们还在一个实际应用——MNIST手写数字数据集聚类中评估了新度量。在所有情况下，PKNNG度量都显示出有前景的聚类结果。
引用
@article{arxiv.1006.2734,
title = {Penalized K-Nearest-Neighbor-Graph Based Metrics for Clustering},
author = {Ariel E. Baya and Pablo M. Granitto},
journal= {arXiv preprint arXiv:1006.2734},
year = {2010}
}