TANGO：融合典型性感知非局部模态搜索与图割优化的聚类方法
机器学习
2026-01-13 v2
摘要
基于密度的模态搜索方法从低密度点向高密度邻居生成一条密度递增依赖。当前模态搜索方法通过断开某些依赖连接来识别模态，但严重依赖局部数据特征，需要针对不同数据集进行逐案阈值设置或人工干预才能生效。为解决这一问题，我们提出了一种新概念——典型性，通过从全局视角探索局部定义的依赖关系，来量化一个点成为模态的置信度。我们设计了一种算法，借助全局视角的典型性有效地且高效地识别模态。为实现和验证我们的想法，我们设计了一种聚类方法 TANGO，它不仅利用典型性来检测模态，还利用改进的基于路径的相似度通过图割将数据聚合为最终簇。此外，本文还对所提出的算法进行了一些理论分析。在多个合成和广泛使用的真实数据集上的实验结果证明了 TANGO 的有效性和优越性。代码地址：https://github.com/SWJTU-ML/TANGO_code。
引用
@article{arxiv.2408.10084,
title = {TANGO: Clustering with Typicality-Aware Nonlocal Mode-Seeking and Graph-Cut Optimization},
author = {Haowen Ma and Zhiguo Long and Hua Meng},
journal= {arXiv preprint arXiv:2408.10084},
year = {2026}
}
备注
Accepted as a poster at ICML 2025