PHIDA：基于持久同调的持续节点到簇映射用于在线聚类
机器学习
2026-05-12 v1
摘要
在线聚类方法通常会显式地学习节点，而节点状态到输出簇的映射则往往是隐式或简化的。隐式映射使得输出簇对弱图桥或基于学习节点图中距离的局部关系十分敏感，未对哪些节点组应保持完整性施加明确约束。本文通过提出持久同调引导的节点到簇映射方法（PHIDA），用于在线聚类中的节点学习。PHIDA 将该映射实现于自适应共振理论（ART）基于 IDA 的节点学习中，结合持久同调（PH）对节点到簇映射施加约束。24 个基准数据集上的实验表明，PHIDA 在包括近期仅针对 stationary 聚类方法在内的 stationary 比较中实现了最佳平均排名，同时在包含自适应创建和更新节点的在线方法的非 stationary 设置中也显著提升了综合性能。消融实验和与传统节点到簇映射方法的比较表明，所观察到的提升归因于保持原始 PH 组成的 PH 约束映射，以及在节点学习期间使用 PH 组件视图。源代码已公开于 https://github.com/Masuyama-lab/PHIDA。
引用
@article{arxiv.2605.08673,
title = {PHIDA: Persistence-Guided Node-to-Cluster Mapping for Online Clustering},
author = {Naoki Masuyama and Yusuke Nojima and Stefan Wermter and Yuichiro Toda and Hisao Ishibuchi and Chu Kiong Loo},
journal= {arXiv preprint arXiv:2605.08673},
year = {2026}
}
备注
This paper is currently under review