大规模 k 均值聚类：基于种子近似最近邻搜索的可扩展方法

对于非常大的值 $k$，我们考虑对 $10^7\sim10^9$ 规模数据进行快速 $k$-means 聚类，这些数据在高维空间（$d\geq100$）中。所有当前实际方法至少具有 $\Omega(k^2)$ 的运行时间。我们发现，初始化程序不是这类问题的瓶颈。相反，提高 Lloyd 的局部搜索算法速度尤为关键，尤其是将点重新分配到最近中心的步骤。尝试改进这一步本质上会导致我们利用近似最近邻搜索方法，尽管这本身尚不足以实用。相反，我们提出了一类称为“种子近似最近邻搜索”的问题，并作为解决方案提出了“种子搜索图”方法。