使用阻尼窗足迹的单遍 possibilistic 聚类
机器学习
2026-03-10 v1
摘要
流式聚类在大数据时代变得极其 relevant，例如在网络流量分析或处理持续运行的传感器数据方面。此外，possibilistic 模型相较于文献中已有方法具有独特优势，尤其是引入 "fuzzifier" 参数可控制典型性随着远离聚类中心而如何快速退化。我们提出一种单遍 possibilistic 聚类 (SPC) 算法，该算法有效且易于应用于新数据集。SPC 的关键贡献包括：能够建模非球形聚类、对任意大小阻尼窗进行闭式足迹更新，以及采用来自多假设跟踪文献中的协方差联合方法来合并两个聚类均值和协方差估计。我们基于聚类纯度和归一化互信息对 SPC 进行了验证，与另外五种流式聚类算法进行了比较。
关键词
引用
@article{arxiv.2603.06889,
title = {Single-pass Possibilistic Clustering with Damped Window Footprints},
author = {Jeffrey Dale and James Keller and Aquila Galusha},
journal= {arXiv preprint arXiv:2603.06889},
year = {2026}
}