摘要
M.R.Anderberg,《应用的聚类分析》。 学术出版社,纽约,纽约,1973年。 谷歌学者 S.巴苏。 半监督聚类:概率模型、算法和实验。 德克萨斯大学奥斯汀分校博士论文,2005年。 谷歌学者 数字图书馆 S.Basu、A.Banerjee和R.J.Mooney。 成对约束聚类的主动半监督。2004年ICDM。 谷歌学者 交叉引用 S.Basu、M.Bilenko和R.J.Mooney。 半监督聚类的概率框架。SIGKDD’04,2004。 谷歌学者 数字图书馆 R.Bekkerman和M.Sahami。 使用组合MRF的半监督聚类。 2006年ICML-06结构化输出空间学习研讨会。 谷歌学者 K.Bennett、P.Bradley和A.Demiriz。 约束k-means聚类。技术报告2000-65,Microsoft Research,2000年5月。 谷歌学者 I.戴维森和S.拉维。 约束下的聚类:可行性结果和k-means算法。 在2005年SIAM数据挖掘会议上。 谷歌学者 I.戴维森和S.拉维。 带约束的层次聚类:理论与实践。 2005年第9届欧洲KDD原则与实践(PKDD)。 谷歌学者 数字图书馆 C.B.D.J.Newman、S.Hettich和C.Merz。 UCI机器学习数据库库,1998年。 谷歌学者 Y.Freund和R.E.Schapire。 在线学习的决策理论推广及其在助推中的应用。 计算机与系统科学杂志,55(1):119--1391997。 谷歌学者 数字图书馆 J.Goldberger、S.T.Roweis、G.E.Hinton和R.Salakhutdinov。 邻里成分分析。 在2004年的NIPS’04中。 谷歌学者 M.Halkidi、D.Gunopulos、N.Kumar、M.Vazirgiannis和C.Domeniconi。 基于主观和客观聚类标准的半监督学习框架。2005年ICDM。 谷歌学者 数字图书馆 T.Hertz、A.Bar-Hillel和D.Weinshall。 提升基于边缘的距离函数用于聚类。2004年ICML。 谷歌学者 数字图书馆 T.Hertz、A.B.Hillel和D.Weinshall。 用小样本训练学习核函数进行分类。 在2006年6月的ICML中。 谷歌学者 数字图书馆 S.C.H.Hoi、W.Liu、M.R.Lyu和W.-Y.Ma。图像检索中带上下文约束的学习距离度量。 2006年6月CVPR。 谷歌学者 数字图书馆 A.K.Jain、M.N.Murty和P.J.Flynn。 数据聚类:综述。 ACM计算。 调查。, 31(3):264--3231999年9月。 谷歌学者 数字图书馆 S.D.Kamvar、D.Klein和C.D.Manning。 光谱学习。 2003年3月,IJCAI。 谷歌学者 数字图书馆 D.Klein、S.D.Kamvar和C.D.Manning。 从实例级约束到空间级约束:充分利用数据聚类中的先验知识。 谷歌学者 数字图书馆 B.Kulis、S.Basu、I.Dhillon和R.Mooney。 半监督图聚类:一种核方法。 2005年ICML’05。 谷歌学者 数字图书馆 J.T.Kwok和I.W.Tsang。 用理想的内核学习。 2003年3月ICML。 谷歌学者 T.Lange、M.H.C.Law、A.K.Jain和J.M.Buhmann。 使用约束数据和未标记数据进行学习。 在CVPR'052005中。 谷歌学者 数字图书馆 M.H.C.Law、A.P.Topchy和A.K.Jain。 具有概率约束的基于模型的聚类。 2005年5月SDM。 谷歌学者 交叉引用 Z.Lu和T.Leen。 半监督学习与惩罚概率聚类。NIPS’05,2005。 谷歌学者 A.Y.Ng、M.I.Jordan和Y.Weiss。 关于谱聚类:分析和算法。 2001年NIPS’01。 谷歌学者 M.Schultz和T.Joachims。 从相对比较中学习距离度量。 2003年NIPS’03。 谷歌学者 N.Shental、A.Bar-Hillel、T.Hertz和D.Weinshall。 利用边信息计算EM的高斯混合模型。 程序中。 机器学习和数据挖掘中从标记数据到未标记数据的连续性研讨会,2003年。 谷歌学者 K.Wagstaff、C.Cardie、S.Rogers和S.Schroedl。 带背景知识的约束k-means聚类。 2001年1月ICML。 谷歌学者 数字图书馆 K.Weinberger、J.Blitzer和L.Saul。 大幅度最近邻分类的距离度量学习。 2006年NIPS’06。 谷歌学者 E.P.Xing、A.Y.Ng、M.I.Jordan和S.Russell。 远程度量学习,应用于带有副信息的集群。 2003年NIPS’03。 谷歌学者 数字图书馆 L.Yang、R.Jin、R.Sukthankar和Y.Liu。 一种有效的局部距离度量学习算法。 2006年AAAI'06。 谷歌学者 数字图书馆 Y.Yang和X.Liu。 重新审视文本分类方法。 1999年SIGIR’99。 谷歌学者 数字图书馆 Z.Zhang、J.Kwok和D.Yeung。 带标签信息的参数化距离度量学习。 2003年3月,IJCAI。 谷歌学者 数字图书馆
建议
一种基于大小不敏感积分的模糊c-均值数据聚类方法 模糊c均值(FCM)是数据聚类中最流行的技术之一。由于FCM倾向于平衡每个簇中的数据点数量,较小簇的中心被迫漂移到较大的相邻簇。 对于具有…的数据集。。。 基于成对约束的半监督减法聚类新方法 ICEICE’12:2012年第二届国际电气信息与控制工程会议记录第2卷 本文提出了一种基于成对约束的半监督减法聚类方法。 由于传统的减法聚类方法不能获得更好的聚类精度,因此一些成对约束被视为是最优的。。。 集成初始化k-Means聚类 ICMLC’19:2019年第11届机器学习和计算国际会议记录 作为最经典的聚类技术之一,k-means聚类在过去的几十年里被广泛应用于各个领域。 尽管它取得了巨大的成功,但在k-均值聚类研究中仍然存在一些具有挑战性的问题。。。