约束于柔性稀疏性的鲁棒高效模糊 C 均值聚类
机器学习
2019-09-06 v4 机器学习
摘要
聚类是数据挖掘中按某些属性对一组对象进行分组的有效技术。在各种聚类方法中，K-Means 算法族因简单高效而广受欢迎。然而，现有大多数基于 K-Means 的聚类算法不能很好地处理离群点，且难以高效求解嵌入 -范数约束的问题。为解决上述问题并显著提升聚类性能，我们提出一种名为 REFCMFS 的新聚类算法，其将数据驱动项发展为 -范数鲁棒损失，并对隶属度矩阵施加 -范数约束以使模型更鲁棒且柔性稀疏。特别地，REFCMFS 设计了一种新方法，通过排序函数将 吸收进目标函数，从而无需任何近似变换即可简化并求解 -范数约束。这些改进不仅使 REFCMFS 高效获得更优性能，也为求解嵌入 -范数约束的问题提供了一种新的易处理且巧妙的优化方法。在多个公开数据集上的理论分析与大量实验证明了我们所提 REFCMFS 方法的有效性与合理性。
引用
@article{arxiv.1908.06699,
title = {Robust and Efficient Fuzzy C-Means Clustering Constrained on Flexible Sparsity},
author = {Jinglin Xu and Junwei Han and Mingliang Xu and Feiping Nie and Xuelong Li},
journal= {arXiv preprint arXiv:1908.06699},
year = {2019}
}