Clustering evolving data using kernel-based methods
Université de Namur(那慕尔大学)
在这篇论文中,我们提出了几种建模策略来处理不同背景下不断变化的数据。在静态聚类的框架下,我们首先介绍了一个软核谱聚类(SKSC)算法,它可以更好地处理重叠的集群相对于核谱聚类(KSC),并提供更多的可解释的结果。在此基础上,提出了基于KSC的静态网络社区发现的整体策略,其中高质量训练子图的提取、核函数的选择、模型的选择以及对大规模数据的适用性是关键。这铺平了道路的发展一种新的聚类算法的分析不断发展的网络称为核谱聚类与记忆效应(MKSC),在连续的时间步长的聚类结果之间的时间平滑度被纳入在初级优化问题的水平,通过适当修改KSC制定。最后给出了KSC在工业机械故障检测中的应用。在这里,需要通过适当的窗口操作对数据进行智能预处理,以捕捉影响机器的正在进行的退化过程。通过这种方式,在真正无人监督的情况下,可以在必要时以在线方式发出预警。最后,我们提出了一种新的算法称为增量核谱聚类(IKSC)的在线学习的非平稳数据。这一雄心勃勃的挑战是通过利用核谱聚类(KSC)的样本外属性来适应初始模型,以解决聚类随时间的合并,分裂或漂移。本文考虑的实际应用包括图像分割、时间序列聚类、静态和演化网络的社区发现。
2014-11-20 cs.LG cs.SI stat.ML
Beyond Win Rates: A Clustering-Based Approach to Character Balance Analysis in Team-Based Games
Haokun Zhou(周浩坤)
本文提出基于层次凝聚聚类与Jensen-Shannon Divergence的角色平衡性分析方法,利用Valorant职业比赛数据识别角色共现模式,弥补传统胜率指标的不足,为游戏平衡调整提供更全面的依据。
2025-07-20 cs.LG
Mask the Redundancy: Evolving Masking Representation Learning for Multivariate Time-Series Clustering
Zexi Tan, Xiaopeng Luo, Yunlin Liu, Yiqun Zhang(作者)
本文提出EMTC方法,通过自适应掩码和多视角生成提升多变量时间序列聚类性能。
2025-12-07 cs.LG
Discovering Playing Patterns: Time Series Clustering of Free-To-Play Game Data
Silicon Studio
时间序列数据的分类是所有数据驱动领域的共同挑战。然而,没有协议,哪些是最有效的技术组未标记的时间顺序的数据。这是因为时间序列模式的成功分类取决于目标和感兴趣的域,即它是应用相关的。在本文中,我们研究免费游戏数据。在这个领域中,聚类相似的时间序列信息是越来越重要,由于当前的移动和Web应用程序收集的大量数据。我们评估哪些方法准确聚类的时间序列的手机游戏,专注于玩家的行为数据。我们确定和验证几个方面的聚类:相似性措施和表示技术,以减少高维度的时间序列。作为鲁棒性测试,我们比较了两个免费视频游戏的玩家活动的各种时间数据集。有了这些技术,我们提取的时间模式的玩家行为相关的游戏事件和游戏业务诊断的评估。我们的实验提供了直观的可视化来验证聚类的结果并确定聚类的最佳数量。此外,我们评估属于同一组的球员的共同特征。这项研究使我们能够提高对玩家动态和流失行为的理解。
2017-10-06 cs.LG stat.ML
Probabilistic Clustering of Time-Evolving Distance Data
Memorial Sloan-Kettering Cancer Center(纪念斯隆-凯特琳癌症中心);Humboldt University of Berlin(柏林洪堡大学);University of Basel(巴塞尔大学);University of Zurich(苏黎世大学);ETH Zurich(苏黎世联邦理工学院)
我们提出了一种新的概率聚类模型的对象表示通过成对的距离和观察在不同的时间点。该方法利用相邻时间点给出的信息来寻找潜在的聚类结构,并获得平滑的聚类演化。这种方法允许对象和聚类的数量在每个时间点都不同,并且不需要识别对象的身份。此外,该模型不需要预先指定聚类的数量-而是使用Dirichlet过程先验自动确定。我们验证我们的模型合成数据显示,该方法是更准确的比国家的最先进的聚类方法。最后,我们使用我们的动态聚类模型来分析和说明脑癌患者随时间的演变。
2015-04-14 cs.LG stat.ML
Unsupervised Fuzzy eIX: Evolving Internal-eXternal Fuzzy Clustering
Federal University of Lavras (UFLA)(拉夫拉斯联邦大学(UFLA))
时变分类器,即进化分类器,在信息作为永无止境的在线数据流提供的场景中发挥着重要作用。提出了一种新的数值型数据无监督学习方法--进化内外模糊聚类方法(Fuzzy eIX)。我们发展了双边界模糊粒的概念,并阐述了它的含义。第1型和第2型模糊推理系统可以由Fuzzy eIX粒的投影得到。我们在模糊eIX分类器中执行平衡信息粒度的原则,以实现更高级别的模型可理解性。内部和外部颗粒更新的数值数据流的同时,全球的颗粒结构的分类器是自主发展的。一个称为双高斯旋转的合成非平稳问题显示了分类器的行为。在离线训练的分类器的准确性明显下降的情况下,模糊eIX分类器可以保持其准确性。
2020-03-25 cs.AI cs.LG stat.ML
S-RASTER: Contraction Clustering for Evolving Data Streams
Fraunhofer-Chalmers Research Centre for Industrial Mathematics(弗劳恩霍夫-查尔姆斯工业数学研究中心);Fraunhofer Center for Machine Learning(弗劳恩霍夫机器学习中心)
压缩聚类(RASTER)是一种单遍算法,用于对2D数据进行基于密度的聚类。它可以在线性时间和恒定内存中处理任意数量的数据,快速识别近似聚类。它还表现出良好的可扩展性,在存在多个CPU核心。与标准聚类算法相比,RASTER具有非常有竞争力的性能,但代价是精度降低。然而,RASTER仅限于批处理,无法识别临时存在的簇。相比之下,S-RASTER是RASTER的流处理范式的适应,能够识别不断变化的数据流中的集群。该算法保留了其父算法的主要优点,即单次通过线性时间成本和滑动窗口内每个离散时间步长的恒定内存需求。滑动窗口被有效地修剪,并且聚类仍然在线性时间内执行。像RASTER一样,S-RASTER在速度上牺牲了通常可以忽略不计的精度。我们的评估表明,竞争算法至少慢50%。此外,S-RASTER显示出良好的定性结果,基于标准度量。它非常适合于真实世界的场景,其中集群不会持续发生,而是周期性发生。
2020-09-16 cs.DC cs.DS cs.LG
Evolving Restricted Boltzmann Machine-Kohonen Network for Online Clustering
Institute for Infocomm Research, Agency for Science, Technology and Research (A*STAR)(新加坡科研局信息通信研究所);Birla Institute of Technology and Science, Pilani(贝拉理工科学大学皮拉尼分校);University of Iceland(冰岛大学);School of Computer Science and Engineering, Nanyang Technological University(南洋理工大学计算机科学与工程学院);A*STAR Centre for Frontier AI Research(新加坡科研局前沿人工智能研究中心)
提出ERBM-KNet在线聚类算法,结合演化受限玻尔兹曼机与Kohonen网络,通过单遍模式处理流数据,自动预测聚类数并更新中心,显著提升聚类精度。
2024-02-14 cs.LG
Federated Learning based on Self-Evolving Gaussian Clustering
Slovenian Research and Innovation Agency – ARIS(斯洛文尼亚研究与创新局 – ARIS)
本文提出一种基于自演化高斯聚类的联邦学习方法,无需预设聚类数量,在多个UCI数据集上取得优于传统分类方法的效果。
2025-08-21 cs.LG
Improving the Scalability of a Prosumer Cooperative Game with K-Means Clustering
University of Oxford(牛津大学)
在对等能源共享的各种市场结构中,一个基于合作博弈论的模型为产消者合作调度能源资源提供了明确的激励。然而,该模型的计算复杂性随着参与者的数量呈指数级增加。为了解决这个问题,本文提出了K-均值聚类的应用程序的大联盟优化后的能量配置文件。合作模型与“集群玩家”一起运行,以计算他们的收益分配,然后在每个集群内的产消者之间进一步分配。案例研究表明,所提出的方法可以显着提高合作计划的可扩展性,同时保持高水平的经济激励的生产者。
2020-07-31 cs.CE cs.GT cs.LG
Clustering Time-Evolving Networks Using the Spatio-Temporal Graph Laplacian
Maxwell Institute for Mathematical Sciences(麦克斯韦数学研究所);University of Edinburgh(爱丁堡大学);Heriot–Watt University(赫瑞瓦特大学);Zuse Institute Berlin(柏林祖斯研究所);School of Mathematical & Computer Sciences(数学与计算机科学学院)
本文提出基于CCA的时空图拉普拉斯算子,将谱聚类推广到动态图,并结合传递算子分析其谱性质,实现对有向和无向时变网络聚类演化的清晰解释。
2024-12-20 cs.LG cs.SI math.DS
Competing Against Equilibria in Zero-Sum Games with Evolving Payoffs
Georgia Institute of Technology(佐治亚理工学院)
我们研究的问题,重复玩的零和游戏中的支付矩阵可能会改变,在一个可能的对抗方式,在每一轮,我们称之为在线矩阵游戏。寻找两人零和博弈的纳什均衡(NE)是统计学、最优化和经济学中许多问题的核心,对于一个固定的博弈矩阵,这可以很容易地归结为求解一个线性规划。但是当收益矩阵随时间演变时,我们的目标是找到一个顺序算法,在某种意义上,它可以与长期平均收益矩阵的NE竞争。我们设计了一个小NE遗憾的算法-也就是说,我们确保双方的长期回报是接近最小最大事后诸葛亮。我们的算法实现了近最佳的依赖轮数和依赖poly-acromically上的可用的行动的球员的数量。此外,我们表明,天真的减少,每个球员只是尽量减少自己的遗憾,未能实现既定的目标,无论使用哪种算法。我们还考虑了所谓的强盗设置,其中的反馈是显着有限的,我们提供了一个算法,小NE后悔使用一点估计每个支付矩阵。
2019-07-17 cs.LG stat.ML
SECLEDS: Sequence Clustering in Evolving Data Streams via Multiple Medoids and Medoid Voting
Delft University of Technology(代尔夫特理工大学)
流环境中的序列聚类是具有挑战性的,因为它在计算上是昂贵的,并且序列可能随着时间的推移而演变。K中心或围绕中心分割(PAM)通常用于聚类序列,因为它支持基于距离的聚类,并且作为实际数据项的k中心有助于聚类的可解释性。然而,离线k-medoids不支持概念漂移,同时对于聚类数据流来说也非常昂贵。因此,我们提出SECLEDS,一个流的变体的k-medoids算法与恒定的内存占用。SECLEDS有两个独特的属性:i)它使用多个medoid每个集群,产生稳定的高质量的集群,和ii)它处理概念漂移使用直观的Medoid投票方案近似集群距离。与现有的为新概念创建新集群的自适应算法不同,SECLEDS遵循一种根本不同的方法,其中集群本身随着不断发展的流而发展。使用真实的和合成的数据集,我们凭经验证明,SECLEDS产生高质量的集群,无论漂移,流大小,数据维数和集群的数量。我们比较三个流行的流和批聚类算法。最先进的BanditPAM被用作离线基准。SECLEDS实现了与BanditPAM相当的F1分数,同时将所需的距离计算数量减少了83.7%。重要的是,当流包含漂移时,SECLEDS的性能优于所有基线138.7%。我们还集群真正的网络流量,并提供证据表明,SECLEDS可以支持高达1.08 Gbps的网络带宽,同时使用(昂贵的)动态时间扭曲距离。
2022-06-24 cs.LG
Label-consistent clustering for evolving data
CISPA Helmholtz Center for Information Security(CISPA海德堡信息安全中心);KTH Royal Institute of Technology(皇家理工学院);Digital Futures(数字未来)
本文提出了一种标签一致的k中心算法,用于在演化数据中保持解决方案的一致性,通过最小化与先前解决方案的变化来实现渐进式优化。
2025-12-17 cs.DS cs.LG
MAGIC: A Co-Evolving Attacker-Defender Adversarial Game for Robust LLM Safety
Shanghai AI Laboratory(上海人工智能实验室);Shanghai Jiao Tong University(上海交通大学);Zhejiang University(浙江大学)
MAGIC通过共进化对抗游戏提升大语言模型的安全性,攻击者与防御者智能体在多轮强化学习中相互演化,有效识别并抵御未知攻击模式。
2026-02-06 cs.AI cs.CL cs.LG
SMOClust: Synthetic Minority Oversampling based on Stream Clustering for Evolving Data Streams
Keele University(基尔大学);University of Birmingham(伯明翰大学)
针对数据流中概念漂移与类不平衡的联合挑战,提出基于流聚类的过采样策略SMOClust,利用流聚类压缩信息生成合成少数类样本,实验证明其优于现有方法,尤其在严重不平衡场景下。
2023-08-28 cs.DB cs.LG
Identifying and Clustering Counter Relationships of Team Compositions in PvP Games for Efficient Balance Analysis
National Yang Ming Chiao Tung University(国立阳明交通大学);Academia Sinica(中央研究院)
本文提出基于 Bradley-Terry 模型和向量量化的两种平衡性度量方法,通过识别和聚类队伍组合的克制关系,在多个热门 PvP 游戏中以更低计算复杂度实现了与传统胜负价值预测相当的平衡性分析。
2024-08-30 cs.AI cs.GT cs.IR
CGRclust: Chaos Game Representation for Twin Contrastive Clustering of Unlabelled DNA Sequences
School of Computer Science, University of Waterloo(滑铁卢大学计算机科学学院);University of Western Ontario(西安大略大学)
CGRclust结合DNA序列的混沌博弈表示与CNN,通过无监督双对比学习对无标签序列进行聚类,在25个多源数据集上展现出高准确率与鲁棒性。
2024-11-13 cs.LG q-bio.GN
HAWKS: Evolving Challenging Benchmark Sets for Cluster Analysis
University College London(伦敦大学学院);University of Manchester(曼彻斯特大学);vTime(vTime公司)
聚类算法的全面基准测试由于两个关键因素而变得困难:(i)这种无监督学习方法的独特数学定义的难以捉摸,以及(ii)生成模型或聚类标准之间的依赖关系,这些模型或聚类标准被一些聚类算法和用于内部聚类验证的指标所采用。因此,关于严格基准测试的最佳实践,以及在给定应用程序的上下文之外是否可能实现这一点,没有达成共识。在这里,我们认为,合成数据集必须继续发挥重要作用,在聚类算法的评估,但这需要构建基准,适当地涵盖了不同的属性,影响聚类算法的性能。通过我们的框架,HAWKS,我们证明了进化算法发挥的重要作用,以支持灵活的生成这样的基准,允许简单的修改和扩展。我们说明了我们的框架的两种可能的用途:(i)~基准数据的演变与一组手工导出的属性一致,以及(ii)~生成数据集,梳理出给定的一对算法之间的性能差异。我们的工作有影响的聚类基准,充分挑战广泛的算法的设计,并进一步深入了解特定方法的优点和缺点。
2022-01-10 cs.LG cs.NE
Jigsaw Game: Federated Clustering
Rutgers University(罗格斯大学);The Ohio State University(俄亥俄州立大学)
本文针对联邦k-means聚类问题,提出单轮算法FeCA,通过自适应优化并聚合客户端局部解恢复全局解,并扩展至DeepFeCA用于无监督特征学习,实验验证了其鲁棒性。
2024-07-17 cs.LG
Game Level Clustering and Generation using Gaussian Mixture VAEs
Carleton College(卡尔顿学院);Northeastern University(东北大学)
变分自编码器(VAE)已被证明能够生成游戏关卡,但需要手动探索学习的潜在空间以生成具有期望属性的输出。虽然有条件的VAE通过允许生成以标签为条件来解决这个问题,但必须在培训期间提供此类标签,因此需要可能并不总是可用的先验知识。在本文中,我们应用高斯混合VAE(GMVAE),VAE的一个变体,它对潜在空间施加高斯(GM)的混合物,不像常规VAE施加单峰高斯。这允许GMVAE使用GM的组件以无监督的方式对级别进行聚类,然后使用学习的组件生成新的级别。我们展示了我们的方法与水平,从超级马里奥兄弟,Kid Icarus和Mega Man。我们的研究结果表明,学习的组件发现和聚类级别的结构和模式,并可用于生成具有所需特征的级别。
2020-08-22 cs.LG stat.ML
Analysing Soccer Games with Clustering and Conceptors
Centre for Research in Mathematics, Western Sydney University(西悉尼大学数学研究中心);Harz University of Applied Sciences(哈尔茨应用技术大学)
我们提出了一种新的方法来识别的情况和行为,我们称之为“移动”,从足球比赛中的2D模拟联赛。能够识别关键情况和行为是分析足球比赛、预测对手行为以帮助选择适当战术的有用能力,也是自动学习行为和策略的先决条件。为了支持广泛的策略,我们的目标是以无监督的方式从数据中识别情况,而不使用预定义的足球特定概念,如“传球”或“运球”。我们在方法中使用的递归神经网络充当了现场情况最近历史的高维投影。类似的情况,即,具有相似的历史,通过网络状态的聚类发现。同样的网络也被用来学习所谓的概念器,概念器是低维流形,它描述了通过高维状态空间的轨迹,从而能够从同一个神经网络进行特定情况的预测。使用所提出的方法,我们可以将游戏分割成以无监督方式学习的情况序列,并学习对预测各自情况的近期未来有用的概念。
2017-08-19 cs.LG
FedPNN: One-shot Federated Classification via Evolving Clustering Method and Probabilistic Neural Network hybrid
Institute For Development And Research In Banking Technology (IDRBT)(银行技术发展与研究院);University of Hyderabad(海得拉巴大学)
针对联邦学习通信开销和资源受限问题,提出两阶段隐私保护方法FedPNN,结合改进的CTGAN生成合成数据集,并利用改进的演化聚类方法优化联邦概率神经网络构建全局分类模型,在四个金融和医疗数据集上验证了有效性。
2023-04-09 cs.AI cs.LG
Forecasting Evolution of Clusters in Game Agents with Hebbian Learning
Georgia Institute of Technology(佐治亚理工学院)
本文针对《星际争霸II》中集群动态预测问题,提出结合无监督Hebbian聚类与LSTM预测模块的混合AI模型,以更低推理复杂度实现集群演化预测并验证其有效性。
2023-05-31 cs.AI cs.LG cs.NE
DSLib: An open source library for the dominant set clustering method
Ca’ Foscari University of Venice(威尼斯大学);Mapillary Research(Mapillary研究院);Istituto Italiano di Tecnologia(意大利理工学院)
DSLib是完全用Matlab编写的支配集(DS)聚类算法的开源实现。DS方法是一种基于图的聚类技术,它植根于进化博弈论,在计算机科学界引起了广泛的兴趣。由于它与博弈论的对偶性及其与最大集团概念的严格关系,已经在几个方向进行了探索,而不仅仅是与聚类问题有关。在图匹配、分割、分类和医学成像中的应用在文献中是常见的。这个软件包提供了原始DS聚类算法的实现,因为还没有正式发布代码,以及与之相关的方法和变体的不断增长的集合。我们的库可以集成到Matlab管道中,没有依赖关系,使用简单,易于扩展,适用于即将推出的作品。最新的源代码、文档和一些示例可以从https://xwasco.github.io/DominantSetLibrary下载。
2020-10-15 cs.LG cs.MS
SPC: Evolving Self-Play Critic via Adversarial Games for LLM Reasoning
The University of Hong Kong(香港大学);Tencent(腾讯);Tsinghua University(清华大学);MBZUAI
针对大语言模型逐步推理评估缺步骤级监督的问题,提出自博弈批评器SPC,通过生成器与批评器的对抗自博弈迭代进化错误检测能力,在多基准上超越强基线并提升大模型数学推理性能。
2025-05-17 cs.AI cs.CL cs.LG
Unveiling Gamer Archetypes through Multi modal feature Correlations and Unsupervised Learning
本研究提出一个整合心理测量、行为分析和机器学习的数据驱动框架,通过特征工程、关联网络与无监督聚类分析250名参与者的多模态数据,成功识别出四种玩家原型,为自适应游戏设计提供了可复现的分析流程。
2025-10-11 cs.AI cs.CY cs.HC
PolicyEvolve: Evolving Programmatic Policies by LLMs for multi-player games via Population-Based Training
School of Computer Science(计算机科学学院);School of Information and Software Engineering(信息与软件工程学院)
PolicyEvolve利用LLMs通过基于种群的训练框架,为多玩家游戏自动生成可解释的程序化策略,减少人工代码依赖和环境交互,实现高性能对抗策略。
2025-09-07 cs.AI cs.LG
Clustering-based Tile Embedding (CTE): A General Representation for Level Design with Skewed Tile Distributions
Amii(阿尔伯塔机器智能研究所);University of Alberta(阿尔伯塔大学)
通过机器学习的过程级生成(PLGML),将ML技术应用于自动化级别生成,已经引起了极大的研究兴趣。最近的一个趋势是通过嵌入(例如瓦片嵌入)来学习关卡设计的表示。Tile Embeddings是游戏关卡的连续矢量表示,统一了视觉,上下文和行为信息。然而,原始的瓦片嵌入难以生成具有倾斜瓦片分布的水平。例如,超级马里奥兄弟(SMB),其中大部分图块表示背景。为了解决这个问题,我们提出了一个修改后的瓦片嵌入表示称为基于拼接的瓦片嵌入(CTE)。此外,我们采用聚类离散化的连续CTE表示,并提出了一种新的两步水平生成利用这两种表示。我们评估了我们的方法在生成具有倾斜瓷砖分布的可见和不可见游戏的水平方面的性能,并优于原始瓷砖嵌入。
2022-10-23 cs.LG
LSTM-Assisted Evolutionary Self-Expressive Subspace Clustering
The University of Sydney(悉尼大学);Beijing University of Technology(北京工业大学)
现代信息处理系统不断收集大量随时间演化的高维数据,这就提出了如何将这些数据组织成簇,即达到降维的目的,同时学习其时间演化模式的问题。在本文中,进化子空间聚类的框架,简称为LSTM-ESCM,介绍了,它的目的是聚类一组不断发展的高维数据点,位于一个联盟的低维不断发展的子空间。为了在每个时间步获得简约的数据表示,我们建议在每个时间点利用所谓的数据的自我表达特性。与此同时,LSTM网络被实现为在整个时间帧中提取数据背后的继承时间模式。提出了一种基于MATLAB的快速算法。接下来,在真实世界的数据集上进行实验,以证明我们所提出的方法的有效性。实验结果表明,该算法在运行时间和准确率方面都明显优于其他同类算法。
2019-10-19 cs.LG stat.ML
CASC: Causal Adversarial Subspace Clustering for Multivariate Spatiotemporal Data
针对多变量时空数据应用中现有深度子空间聚类方法的局限,提出CASC框架,集成特定架构保留时空结构,引入自表达网络建模多种关系,还提出两个新学习目标,将其转变为因果-时间状态发现框架。
2026-07-24 cs.LG
Clustering and analysis of user behaviour in blockchain: A case study of Planet IX
Griffith University(格里菲斯大学);Australian Catholic University(澳大利亚天主教大学)
本文以区块链游戏Planet IX为例,提出用户行为分析流水线,通过收集交易数据、构建用户流、利用GNN生成图嵌入并结合聚类算法识别用户行为聚类,同时分析其隐私威胁,为区块链用户行为研究提供方法与隐私风险参考。
2025-04-16 cs.CR cs.LG
Scalable Graph Condensation with Evolving Capabilities
Emory University(埃默里大学)
提出GECC框架,通过类级聚类和继承先前压缩结果,实现大规模动态图数据的可扩展压缩,性能优于现有方法且加速约1000倍。
2026-06-16 cs.LG cs.SI
Leveraging Cluster Analysis to Understand Educational Game Player Experiences and Support Design
University of Wisconsin-Madison(威斯康星大学麦迪逊分校);University of Pennsylvania(宾夕法尼亚大学);Carnegie Mellon University(卡内基梅隆大学)
教育游戏设计师了解观众的游戏风格和体验的能力是改进游戏设计的重要工具。由于游戏需要进行大规模的玩家测试,设计师需要廉价的自动化方法来对玩家与游戏的交互模式进行分类。在本文中,我们提出了一个简单的,可重复使用的过程中使用的最佳实践数据聚类,可行的小型教育游戏工作室内使用。我们利用该方法来分析一个实时的战略游戏,处理游戏遥测数据,以确定类别的球员根据他们在游戏中的行动,他们收到的反馈,以及他们在游戏中的进展。对这些集群的解释性分析为游戏设计者提供了可操作的见解。
2022-10-18 cs.HC cs.LG cs.MM