面向问题的聚类自动机器学习
机器学习
2024-09-25 v1 人工智能
摘要
面向问题的聚类自动机器学习（PoAC）框架通过解决传统 AutoML 解决方案的缺点，引入了一种新颖、灵活的聚类任务自动化方法。传统方法通常依赖于预定义的内部聚类有效性指数（CVI）和静态元特征，限制了它们在不同聚类任务中的适应性和有效性。相比之下，PoAC 在聚类问题、CVI 和元特征之间建立了动态联系，允许用户根据其任务的具体背景和目标自定义这些组件。PoAC 的核心是采用了一个在包含以往聚类数据集和解决方案的大型元知识库上训练的代理模型，使其能够推断新聚类流水线的质量，并为未见过的数据集合成最优解决方案。与许多受限于固定评估指标和算法集的 AutoML 框架不同，PoAC 与算法无关，能够无缝适应不同的聚类问题，而无需额外的数据或重新训练。实验结果表明，PoAC 不仅在多种数据集上优于 SOTA 框架，而且在数据可视化等特定任务中也表现出色，并突显了其根据数据集复杂性动态调整流水线配置的能力。
引用
@article{arxiv.2409.16218,
title = {Problem-oriented AutoML in Clustering},
author = {Matheus Camilo da Silva and Gabriel Marques Tavares and Eric Medvet and Sylvio Barbon Junior},
journal= {arXiv preprint arXiv:2409.16218},
year = {2024}
}