基于信息论马尔可夫链聚合的半监督聚类
机器学习
2022-05-11 v2
摘要
我们将半监督聚类问题关联到约束马尔可夫聚合，即划分马尔可夫链状态空间的任务。我们通过将数据集中的每个数据点视为马尔可夫链状态空间的元素、通过对应数据点间的相似性定义状态间转移概率、并将半监督信息作为硬约束纳入 Hartigan 式算法来实现这一关联。所引入的约束马尔可夫聚类（CoMaC）是将近期用于（无监督）马尔可夫聚合的信息论框架推广至半监督情形的扩展。在特定参数设置下实例化 CoMaC 进一步推广了先前两种用于无监督聚类的信息论目标。我们的结果表明 CoMaC 与最先进水平具有竞争力。
引用
@article{arxiv.2112.09397,
title = {Semi-Supervised Clustering via Information-Theoretic Markov Chain Aggregation},
author = {Sophie Steger and Bernhard C. Geiger and Marek Smieja},
journal= {arXiv preprint arXiv:2112.09397},
year = {2022}
}
备注
13 pages, 6 figures; this is an extended version of a short paper accepted at ACM SAC 2022 (minor changes to the text; error in source code corrected)