基于指数连接的监督层次聚类
机器学习
2019-06-20 v1 机器学习
摘要
在监督聚类中，用于学习成对相异度函数的标准技术常受制于训练目标与聚类目标之间的不一致，导致聚类质量不佳。纠正这种不一致需要使相异度函数的训练过程与聚类算法相匹配。本文引入一种训练相异度函数的方法，该方法与层次聚类（特别是单连接）紧密耦合。然而，给定数据集所适用的聚类算法通常未知。因此我们提出一种监督层次聚类方法，可在单连接、平均连接和完全连接之间平滑插值，并给出一种同时学习连接函数和相异度函数的训练过程。我们通过一种新颖的指数连接（Exponential Linkage）函数实现这一点，该函数具有一个可控制插值的可学习参数。在四个数据集上的实验中，我们的联合训练过程始终匹配或优于次优的训练过程/连接函数组合，并且相较于不一致的组合，在树状图纯度上最高带来 8 个百分点的提升。
引用
@article{arxiv.1906.07859,
title = {Supervised Hierarchical Clustering with Exponential Linkage},
author = {Nishant Yadav and Ari Kobren and Nicholas Monath and Andrew McCallum},
journal= {arXiv preprint arXiv:1906.07859},
year = {2019}
}
备注
Appears in ICML 2019