基于迁移原型的模糊聚类
机器学习
2016-04-06 v2
摘要
传统的基于原型的聚类方法（如著名的模糊 C 均值 (FCM) 算法）通常需要充足的数据才能找到良好的聚类划分。如果可用数据有限或稀缺，大多数现有的基于原型的聚类算法将不再有效。虽然当前聚类任务的数据可能稀缺，但在相关场景/领域中通常有一些有用的知识可用。在本研究中，迁移学习的概念被应用于基于原型的模糊聚类 (PFC)。具体而言，利用源自源域的知识开发了一组基于迁移原型的模糊聚类 (TPFC) 算法。选择了三种基于原型的模糊聚类算法，即 FCM、模糊 k 平面聚类 (FKPC) 和模糊子空间聚类 (FSC)，结合知识利用机制以开发相应的迁移聚类算法。提出了新的目标函数，以将源域知识与目标域数据整合用于目标域聚类。所提出的算法在不同的合成数据集和真实世界数据集上得到了验证，结果表明，与原始的基于原型的模糊聚类算法以及多任务聚类和协同聚类等相关聚类算法相比，这些算法具有有效性。
引用
@article{arxiv.1409.5686,
title = {Transfer Prototype-based Fuzzy Clustering},
author = {Zhaohong Deng and Yizhang Jiang and Fu-Lai Chung and Hisao Ishibuchi and Kup-Sze Choi and Shitong Wang},
journal= {arXiv preprint arXiv:1409.5686},
year = {2016}
}
备注
The manuscript has been accepted by IEEE Trans. Fuzzy Systmes in 2015