幂律图割
计算机视觉与模式识别
2014-11-27 v2 机器学习
机器学习
摘要
基于谱图割目标函数（如归一化割、比率割和比率关联）的算法近年来变得流行，因为它们适用性广泛且可通过标准特征向量计算简单实现。尽管谱图割算法在许多聚类任务中表现优异，但仍存在若干局限：首先，它们要求预先知道聚类数量，但该信息往往未知；其次，它们倾向于产生大小均匀的聚类。在某些情况下，真实聚类表现出已知的大小分布；例如在图像分割中，人工分割的图像往往产生遵循幂律分布的片段大小。在本文中，我们提出了一种通用的幂律图割算法框架，该框架生成的聚类大小呈幂律分布，且无需预先固定聚类数量。为实现这一目标，我们将 Pitman-Yor 可交换划分概率函数 (EPPF) 作为正则化项引入图割目标函数。由于所得目标函数无法通过特征向量松弛法求解，我们推导了一种简单的迭代算法以局部优化目标函数。此外，我们表明所提出的算法可视为在特定的 Pitman-Yor 混合模型上执行最大后验 (MAP) 推断。我们在多个数据集上的实验展示了我们算法的有效性。
引用
@article{arxiv.1411.1971,
title = {Power-Law Graph Cuts},
author = {Xiangyang Zhou and Jiaxin Zhang and Brian Kulis},
journal= {arXiv preprint arXiv:1411.1971},
year = {2014}
}