郑德;聂飞萍;孙建德;龚一红 用于基于图形聚类的加权自适应拉普拉斯嵌入。 (英语) Zbl 1461.62093号 神经计算。 29,第7期,1902-1918(2017). 摘要:基于图的聚类方法在固定的输入数据图上执行聚类。因此,这种聚类结果对特定的图结构很敏感。如果这个初始构造的质量很低,那么产生的聚类也可能质量很低。我们通过允许在聚类过程中自适应调整数据图本身来解决这个缺点。特别是,我们提出的加权自适应拉普拉斯(WAL)方法学习一个新的数据相似矩阵,该矩阵可以根据输入数据图中的相似权重自适应调整初始图。我们基于L2范数、模糊熵正则化子和另一种基于指数的权重策略开发了这些方法的三个版本,产生了三个新的基于图的聚类目标。我们推导优化算法来解决这些目标。在合成数据集和真实基准数据集上的实验结果表明了这些新的基于图的聚类方法的有效性。 引用于1文件 MSC公司: 62H30型 分类和区分;聚类分析(统计方面) 62H22个 概率图形模型 35年91日 具有拉普拉斯、双拉普拉斯或多拉普拉斯的半线性椭圆方程 05摄氏90度 图论的应用 关键词:基于图形的聚类;拉普拉斯语 软件:UCI-毫升 PDF格式BibTeX公司 XML格式引用 \textit{D.Cheng}等人,《神经计算》。29,第7号,1902--1918(2017;Zbl 1461.62093) 全文: 内政部 参考文献: [1] Asuncion,A.和Newman,D.(2007年)。UCI机器学习库。 [2] Brun,A.、Knutsson,H.、Park,H.-J.、Shenton,M.E.和Westin,C.-F.(2004)。使用标准化切割对纤维痕迹进行聚类。第七届MICCAI国际会议记录(第368-375页)。纽约/柏林:施普林格。 [3] Cai,X.、Nie,F.、Cai,W.和Huang,H.(2013)。基于多模态半监督学习模型的异构图像特征集成。《IEEE计算机视觉国际会议论文集》(第1737-1744页)。新泽西州皮斯卡塔韦:IEEE。 [4] Cai,X.、Nie,F.和Huang,H.(2013)。多视图k表示对大数据进行聚类。《国际人工智能联合会议论文集》。马萨诸塞州剑桥:AAAI出版社。 [5] Chan,P.K.、Schlag,M.D.和Zien,J.Y.(1994年)。谱k路比率分割和聚类。IEEE集成电路和系统计算机辅助设计汇刊,131088-1096, [6] Chang,X.、Nie,F.、Wang,S.、Yang,Y.、Zhou,X.和Zhang,C.(2015)。双线性分析的复合秩k投影。IEEE神经网络和学习系统汇刊,271502-1513, [7] Chang,X.,Nie,F.,Yang,Y.,&Huang,H.(2014)。半监督多标签特征选择的凸公式。第28届AAAI人工智能会议记录(第1171-1177页)。马萨诸塞州剑桥:AAAI出版社。 [8] Chang,X.,Yang,Y.,Long,G.,Zhang,C.,&Hauptmann,A.G.(2016)。零示例事件检测的动态概念合成。第三十届AAAI人工智能会议记录(第3464-3470页)。马萨诸塞州剑桥:AAAI出版社。 [9] Dhillon,I.S.、Guan,Y.和Kulis,B.(2004年)。核k-means:谱聚类和归一化切割。第十届ACM SIGKDD知识发现和数据挖掘国际会议论文集(第551-556页)。纽约:ACM。 [10] Grauman,K.和Darrell,T.(2006年)。从部分匹配的图像特征集中进行分类的无监督学习。《IEEE计算机学会计算机视觉和模式识别会议论文集》(第1卷,第19-25页)。新泽西州皮斯卡塔韦:IEEE。 [11] Hagen,L.和Kahng,A.B.(1992年)。比率分割和聚类的新谱方法。IEEE集成电路和系统计算机辅助设计汇刊,11,1074-1085, [12] Hoyer,P.O.(2004)。稀疏约束下的非负矩阵分解。机器学习研究杂志,51457-1469·Zbl 1222.68218号 [13] Huang,J.、Nie,F.和Huang、H.(2013)。谱聚类中的谱旋转与k均值。第二十七届AAAI人工智能会议论文集。马萨诸塞州剑桥:AAAI出版社。 [14] Huang,J.、Nie,F.和Huang,H.(2015)。用于测量聚类数据相似性的新单纯形稀疏学习模型。第24届国际人工智能会议论文集(第3569-3575页)。马萨诸塞州剑桥:AAAI出版社。 [15] Koppal,S.J.和Narasimhan,S.G.(2006年)。用于场景分析的聚类外观。《IEEE计算机学会计算机视觉和模式识别会议论文集》(第2卷,第1323-1330页)。新泽西州皮斯卡塔韦:IEEE。 [16] Lee,D.D.和Seung,H.S.(2001年)。非负矩阵分解算法。D.T.K.Leen、T.G.Dieteerich和V.Tresp(编辑),《神经信息处理系统的进展》,13(第556-562页)。马萨诸塞州剑桥:麻省理工学院出版社。 [17] Li,M.J.,Ng,M.K.,Cheung,Y.-M.,&Huang,J.Z.(2008)。具有簇数选择的聚集模糊k-均值聚类算法。IEEE知识与数据工程汇刊,1519-1534, [18] Li,T.,&Ding,C.(2006)。用于聚类的各种非负矩阵分解方法之间的关系。第六届数据挖掘国际会议论文集(第362-371页)。新泽西州皮斯卡塔韦:IEEE, [19] Ng,A.Y.、Jordan,M.I.和Weiss,Y.(2002年)。关于谱聚类:分析和算法。T.G.Dietterich、S.Becker和Z.Ghahramani(编辑),《神经信息处理系统的进展》,14(第849-856页)。马萨诸塞州剑桥:麻省理工学院出版社。 [20] 聂福、王H、邓C、高X、李X、黄H(2016)。图聚类的新l1-范数松弛和优化。第30届AAAI人工智能会议论文集。马萨诸塞州剑桥:AAAI出版社。 [21] 聂F.、王X.和黄H.(2014)。使用自适应邻居进行聚类和投影聚类。第20届ACM SIGKDD知识发现和数据挖掘国际会议论文集(第977-986页)。纽约:ACM。 [22] Nie,F.、Wang,X.、Jordan,M.I.和Huang,H.(2016)。基于图形聚类的约束拉普拉斯秩算法。第30届AAAI人工智能会议论文集。马萨诸塞州剑桥:AAAI出版社。 [23] Nie,F.、Zeng,Z.、Tsang,I.W.、Xu,D.和Zhang,C.(2011)。光谱嵌入聚类:样本内和样本外光谱聚类的框架。IEEE神经网络汇刊,221796-1808, [24] Niyogi,X.(2004)。保留位置的投影。S.Thrun、L.K.Saul和B.Schölkopf(编辑),《神经信息处理系统的进展》,第16页。马萨诸塞州剑桥:麻省理工学院出版社。 [25] Ochs,P.和Brox,T.(2012年)。《高阶运动模型与光谱聚类》,载于《2012年IEEE计算机视觉与模式识别会议论文集》(第614-621页)。新泽西州皮斯卡塔韦:IEEE, [26] Shi,J.和Malik,J.(2000)。标准化切割和图像分割。IEEE模式分析和机器智能汇刊,22888-905, [27] Steinbach,M.、Karypis,G.和Kumar,V.(2000)。文档聚类技术的比较。《KDD文本挖掘研讨会论文集》(第525-526页)。 [28] Von Luxburg,U.(2007年)。光谱聚类教程。统计与计算,17395-416, [29] Xu,W.,Liu,X.,&Gong,Y.(2003)。基于非负矩阵分解的文档聚类。第26届国际ACM SIGIR信息检索研究与开发会议论文集(第267-273页)。纽约:ACM, 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。