×
谢婷;陈飞宇

基于最近交替线性化最小化方法的非凸聚类。 （英语） Zbl 1390.68559号

国际小波多分辨率。信息处理。 16，第2号，文章ID 1840013，12 p.（2018）.
摘要：聚类是一项广泛研究领域的基本学习任务。最流行的聚类算法可以说是K-均值算法，众所周知，K-均值的性能很大程度上取决于初始化，因为它具有很强的非凸性。为了克服初始化问题，本文首先将K-means模型松弛为具有非凸约束的优化问题，然后采用近似交替线性化最小化（PALM）方法求解松弛的非凸优化模型。并对PALM算法在聚类问题中的收敛性进行了分析。在几个基准数据集上进行了实验，以评估该方法的效率。

引用于三文件

MSC公司：

68T05型 人工智能中的学习和自适应系统
62小时30分 分类和区分；聚类分析（统计方面）

关键词：

群集;近似交替线性化最小化

软件：

AS 136标准;群集路径;费雷特;k平均值++;CVX公司
PDF格式BibTeX公司 XML格式引用
\textit{T.Xie}和\textit{F.Chen}，国际小波多分辨率。信息处理。16，第2号，文章ID 1840013，12 p.（2018；Zbl 1390.68559）
全文： DOI程序

参考文献：

[1] Aloise，D.，Deshpande，A.，Hansen，P.和Popat，P.，欧氏平方和聚类的Np硬度，Mach。学习.75（2）（2009）245-248·Zbl 1378.68047号
[2] Arthur，D.和Vassilvitskii，S.，k-means++：仔细播种的优势，见Proc。第18届ACM-SIAM年会。《离散算法》（工业和应用数学学会，2007年），第1027-1035页·Zbl 1302.68273号
[3] Attouch，H.，Bolt，J.，Redont，P.和Soubeyran，A.，非凸问题的近似交替最小化和投影方法：基于Kurdyka-Lojasiewicz不等式的方法，数学。运营商。第35（2）（2010）号决议438-457·Zbl 1214.65036号
[4] Awasthi，P.、Bandeira，A.S.、Charikar，M.、Krishnaswamy，R.、Villar，S.和Ward，R.，《放松，无需四舍五入：聚类公式的完整性》，见Proc。2015年理论计算机科学创新大会（ACM，2015），第191-200页·Zbl 1364.62144号
[5] Bolte，J.，Sabach，S.和Teboulle，M.，非凸和非光滑问题的近端交替线性化最小化，数学。方案146（2014）459-494·Zbl 1297.90125号
[6] Bradley，P.S.和Fayyad，U.M.，《为k-means聚类细化初始点》，载于《机器学习国际会议》（1998年）。
[7] Celebi，M.E.，Kingravi，H.A.和Vela，P.A.，《k均值聚类算法有效初始化方法的比较研究》，专家系统。申请40（1）（2013）200-210。
[8] Comaniciu，D.和Meer，P.，《均值漂移：特征空间分析的稳健方法》，IEEE Trans。模式分析。马赫。《情报》24（5）（2002）603-619。
[9] Ding，C.和He，X.，K表示通过主成分分析进行聚类，在Proc。第21届国际机器学习大会（ACM，2004），第29页。
[10] Ding，C.H.，He，X.和Simon，H.D.，关于非负矩阵分解和谱聚类的等价性。2005年SIAM国际数据挖掘会议（SIAM，2005），第606-610页。
[11] Edelman，A.、Arias，T.A.和Smith，S.T.，《正交约束算法的几何》，SIAM J.Mat.Anal。申请20（2）（1999）303-353·Zbl 0928.6500号
[12] Forgy，E.W.，多变量数据的聚类分析：分类的效率与可解释性，生物计量21（1965）768-769。
[13] Frey，B.J.和Dueck，D.，通过数据点之间的消息进行聚类，《科学》315（5814）（2007）972-976·Zbl 1226.94027号
[14] Georghiades，A.S.、Belhumeur，P.N.和Kriegman，D.J.，《从少到多：可变光照和姿势下人脸识别的照明锥模型》，IEEE Trans。模式分析。马赫。《情报》23（6）（2001）643-660。
[15] M.Grant和S.Boyd，CVX:规范凸规划的Matlab软件（2014），2.1版，http://cvxr.com/cvx。
[16] Hartigan，J.A.和Wong，M.A.，《136算法：k均值聚类算法》，J.Roy。统计师。Soc.序列号。C（应用统计）28（1）（1979）100-108·Zbl 0447.62062号
[17] Hocking，T.D.、Vert，J.、Joulin，A.和Bach，F.R.，《聚类路径：使用凸融合惩罚的聚类算法》，载于《机器学习国际会议》（2011），第745-752页。
[18] 黄，J.，聂，F.和黄，H.，谱聚类中的谱旋转与k均值，《人工智能国家会议》（2013），第431-437页。
[19] Iguchi，T.、Mixon，D.G.、Peterson，J.和Villar，S.，可能证明k-means聚类正确，数学。程序。(2016) 1-38. ·兹比尔1377.65012
[20] Kaufman，L.和Rousseeuw，P.，通过Medoids进行聚类（North-Holland，1987）。
[21] Lewis，A.S.和Malick，J.，流形上的交替投影，数学。运营商。第33（1）号决议（2008）216-234·Zbl 1163.65040号
[22] Lloyd，S.，《pcm中的最小二乘量化》，IEEE Trans。通知。Theory28（2）（1982）129-137·Zbl 0504.94015号
[23] MacQueen，J.等人，《多元观测分类和分析的一些方法》。第五届伯克利交响乐团。《数理统计与概率》，美国加利福尼亚州奥克兰（1967），第281-297页·Zbl 0214.46201号
[24] Martinez，A.M.和Kak，A.C.，Pca与lda，IEEE Trans。模式分析。马赫。Intell.23（2）（2001）228-233。
[25] Naseem，I.、Togneri，R.和Bennamoun，M.，人脸识别的线性回归，IEEE Trans。模式分析。马赫。国际贸易法委员会32（11）（2010）2106-2112。
[26] 在线，ORL数据集，http://www.cl.cam.ac.uk/research/dtg/attarchive/facedatabase.html。
[27] Peng，J.和Wei，Y.，通过半定规划逼近k均值型聚类，SIAM J.Optimiz.18（1）（2007）186-205·Zbl 1146.90046号
[28] Peng，J.和Xia，Y.，《k均值型聚类的新理论框架》，《数据挖掘的基础与进展》（2005）79-96·Zbl 1085.68132号
[29] Phillips，P.J.、Moon，H.、Rizvi，S.A.和Rauss，P.J.，《人脸识别算法的参考评估方法》，IEEE Trans。模式分析。马赫。《情报》22（10）（2000）1090-1104。
[30] Rockafellar，R.T.和Wets，J.B.，变分分析（Springer，1998）·Zbl 0888.49001号
[31] Shaha，S.A.和Koltunb，V.，稳健连续聚类，Proc。国家。阿卡德。科学。美国114（37）（2017）9814-9819。
[32] Shi，J.和Malik，J.，归一化剪切和图像分割，IEEE Trans。模式分析。马赫。《情报》22（8）（2000）888-905。
[33] 唐义勇，陶义明，林永明，基于分形行为的特征提取新方法，《模式识别》35（5）（2002）1071-1081·Zbl 0997.68117号
[34] 唐义勇，涂立泰，刘杰，李世伟，基于多特征和多级分类的手写体离线识别，IEEE Trans。模式分析。马赫。《情报》20（5）（1998）556-561。
[35] Tang，Y.Y.，Yang，L.和Liu，J.，用小波变换表征dirac结构边，IEEE Trans。系统。人类网络。B部分：控制论30（1）（2000）93-109。
[36] Tang，Y.Y.和You，X.，基于新小波函数的带状形状骨架化，IEEE Trans。模式分析。马赫。《情报》25（9）（2003）1118-1133。
[37] 田，J.，张，T.，秦，A.，尚，Z.和唐，Y.Y.，学习用于聚类的分布保持语义子空间，IEEE Trans。图像处理。26（12）（2017）5950-5965。
[38] Von Luxburg，U.，《光谱聚类教程》，Statist。计算17（4）（2007）395-416。
[39] Zass，R.和Shashua，A.，《硬聚类和概率聚类的统一方法》，第10届IEEE计算机视觉国际会议（ICCV'05），第1卷（IEEE，2005），第294-301页。
[40] Zhang，T.，Fang，B.，Tang，Y.Y.，He，G.和Wen，J.，用于人脸识别的保拓扑非负矩阵因式分解，IEEE Trans。图像处理.17（4）（2008）574-584。
[41] Zhang，T.，Fang，B.，Tang，Y.Y.，Shang，Z.和Xu，B.，广义判别分析：矩阵指数方法，IEEE Trans。系统。人类网络。B部分：控制论40（1）（2010）186。
[42] Zhang，T.，Fang，B.，Yuan，Y.，Tang，Y.Y.，Shang，Z.，Li，D.和Lang，F.，可变光照下人脸识别的多尺度面部结构表征，模式识别。42（2）（2009）251-258·Zbl 1162.68644号
[43] Zhang，T.，Tang，Y.Y.，Shang，Z.和Liu，X.，使用梯度面在不同光照下进行人脸识别，IEEE Trans。图像处理。18（11）（2009）2599·兹比尔1371.94457
此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配，可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不要求完整或完全匹配。