共识聚类的均值划分定理
机器学习
2016-04-27 v2 计算机视觉与模式识别
机器学习
摘要
为了设计近似共识聚类中均值划分的高效解，Dimitriadou等人[3]提出了基于最小平方距离的共识函数最优性的必要条件。我们指出该结果对于推导超越优化的共识聚类的有趣性质至关重要。为此，我们以均值划分定理的形式给出稍强形式的最优性必要条件，并将其推广至期望划分定理。为证实其通用性，我们展示了应用均值划分定理的三个例子：(i) 均值划分与最优多重比对等价，(ii) 轮廓与基序的构建，(iii) 共识聚类与聚类稳定性之间的关系。
引用
@article{arxiv.1604.06626,
title = {The Mean Partition Theorem of Consensus Clustering},
author = {Brijnesh J. Jain},
journal= {arXiv preprint arXiv:1604.06626},
year = {2016}
}