Determinantal consensus clustering
Université de Montréal（蒙特利尔大学）
给定算法的随机重新启动产生许多分区以产生共识聚类。诸如一致性聚类的包围方法已经被认为是比单一聚类算法更鲁棒的数据聚类方法。我们建议使用的决定性点过程或DPP的随机重新启动的聚类算法的基础上的初始集的中心点，如k-中心点或k-均值。DPP和基于核的方法之间的关系使得DPP适合于描述和量化对象之间的相似性。DPP有利于子集内中心点的多样性。因此，具有更多相似点的子集比具有非常不同点的子集生成的机会更少。当前最流行的采样技术是随机均匀地对中心点进行采样。我们通过大量的模拟表明，与DPP相反，这种技术既不能确保多样性，也不能很好地覆盖所有数据方面。DPP的这两个性质是使DPP在小集合的情况下获得良好性能的关键。人工数据集的模拟和真实数据集的应用表明，确定性一致性聚类优于经典算法，如k-medoids和k-means一致性聚类，这是基于均匀随机抽样的中心点。
2021-02-07 cs.LG stat.ML
Parameter-Free Clustering via Self-Supervised Consensus Maximization (Extended Version)
本文提出一种无需参数的聚类框架SCMax，通过自监督共识最大化实现层次聚类和评估，利用最近邻共识得分确定最佳聚类数，实验表明其优于传统方法。
2026-03-24 cs.LG
A Generic Framework for Fair Consensus Clustering in Streams
National University of Singapore（新加坡国立大学）；Pennsylvania State University（宾夕法尼亚州立大学）
本文提出了一种面向流的公平共识聚类通用框架，通过整合最近公平聚类与聚类拟合，实现了在流模型和离线重新查看时的改进近似保证。
2026-02-12 cs.LG
Condorcet's Jury Theorem for Consensus Clustering and its Implications for Diversity
Technische Universität Berlin（柏林工业大学）
孔多塞的陪审团定理已被调用集成分类器，以表明许多分类器的组合可以有更好的预测性能比一个单一的分类器。这种理论基础是未知的共识聚类。本文将孔多塞的陪审团定理扩展到平均划分方法，并假设存在唯一的地面实况划分，并且样本划分是从包含地面实况的足够小的球中绘制的。作为一个实际意义的含义，我们质疑的说法，共识聚类的质量取决于样本分区的多样性。相反，我们推测，限制的多样性的平均分区是必要的质量控制。
2016-10-10 cs.LG stat.ML
Asymptotic Behavior of Mean Partitions in Consensus Clustering
Technische Universität Berlin（柏林工业大学）
虽然一致性是任何估计的最低要求，很少有人知道一致性的平均划分方法在共识聚类。本文研究了平均分拆的渐近行为。我们表明，在正常的假设下，平均划分方法是一致的和渐近正态的。为了得到这两个结果，我们将分区表示为称为轨道空间的几何空间的点。然后，我们借鉴的结果，从理论的Fréchet手段和随机规划。渐近性质的标准集群标准（指数）的连续扩展。结果证明共识聚类使用有限，但足够大的样本量。此外，轨道空间框架为进一步研究分区集的统计、几何和分析性质提供了数学基础。
2015-12-18 cs.LG stat.ML
Fast and Interpretable Consensus Clustering via Minipatch Learning
Rice University（莱斯大学）；Baylor College of Medicine（贝勒医学院）
一致性聚类被广泛应用于生物信息学等领域，以提高聚类结果的准确性、稳定性和可靠性。该方法集成了来自子采样观测的多个聚类运行的聚类同现。对于大规模生物信息学数据的应用，例如从单细胞测序数据中发现细胞类型，例如，共有聚类具有两个显著的缺点：（i）由于重复应用聚类算法而导致的计算效率低下，以及（ii）缺乏对区分聚类的重要特征的可解释性。在本文中，我们通过开发IMPACC：可解释的MiniPatch自适应共识聚类来解决这两个挑战。我们的方法采用了三大创新。我们合奏集群同现从微小的子集的观察和功能，称为minipatches，从而大大减少了计算时间。此外，我们开发了自适应采样方案的观察，从而提高了可靠性和计算节省，以及自适应采样方案的功能，这导致可解释的解决方案，通过快速学习最相关的功能，区分集群。我们研究了我们的方法在合成数据和各种真正的大规模生物信息学数据集;结果表明，我们的方法不仅产生更准确和可解释的集群解决方案，但它也大大提高了计算效率相比，标准的共识聚类方法。
2021-10-18 cs.LG stat.ME stat.ML
A Flexible Iterative Framework for Consensus Clustering
提出了一种新的共识聚类框架，它能够使用多种算法确定聚类的数量和最终的解决方案。一致性相似性矩阵是使用多个算法和k的多个值从系综形成的。各种各样的降维技术和聚类算法被认为是分析。对于噪声或高维数据，迭代技术，以改善这种共识矩阵的方式，鼓励算法达成一致的共同解决方案。我们利用几乎解耦的马尔可夫链的理论，通过考虑由一致性矩阵定义的图上的随机游动来确定数据集中的聚类数k。相关的转移概率矩阵的特征值用于确定聚类的数量。这种方法成功地确定了许多数据集中的聚类数，而以前的方法失败了。在每个考虑的数据集上，我们的共识方法提供了一个最终结果，其准确性远高于单个算法的平均水平。
2014-08-05 cs.CV cs.LG stat.ML
A Bi-clustering Framework for Consensus Problems
Duke University（杜克大学）
我们认为分组作为一个一般的表征问题，如聚类，网络中的社区发现，和多参数模型估计。我们感兴趣的是合并不同分组算法的解决方案，将所有优秀的品质提炼成一个共识解决方案。在本文中，我们提出了一个双聚类框架和观点，在这样的分组问题达成共识。特别是，这是第一次发现/拟合多个参数模型到数据集的任务被正式提出为共识问题。我们强调这些任务的等价性，并建立与计算完形程序的连接，该程序旨在为视觉事件提供一种心理启发的检测理论。我们还提出了一个简单但功能强大的双聚类算法，专门调整到我们解决的问题的性质，虽然一般足以处理许多不同的情况下，我们的表征。该演示文稿是伴随着不同的和广泛的实验结果聚类，社区发现，多参数模型估计在图像处理应用。
2014-08-20 cs.CV cs.LG stat.ML
Representation Learning for Clustering via Building Consensus
Microsoft（微软公司）；The Ohio State University（俄亥俄州立大学）
在本文中，我们专注于无监督的表示学习的图像聚类。深度聚类和无监督表示学习的最新进展是基于这样的想法，即输入图像的不同视图（通过数据增强技术生成）必须在表示空间中接近（样本一致性），和/或相似的图像必须具有相似的聚类分配（群体一致性）。我们定义了一个额外的概念的一致性，共识一致性，它确保表示学习诱导相似的分区的变化在表示空间，不同的聚类算法或不同的初始化一个单一的聚类算法。我们通过在表示空间中执行变化来定义聚类损失，并将所有三个参数（共识，样本和人口）无缝集成到端到端学习框架中。所提出的算法，共识聚类使用无监督表示学习（ConCURL），提高了聚类性能的国家的最先进的方法上的五个图像数据集。此外，我们扩展了聚类的评估过程，以反映现实世界中遇到的集群任务的挑战，如保持聚类性能的情况下，与分布偏移。我们还进行了详细的消融研究，以更深入地了解所提出的算法。代码和训练模型可在https://github.com/JayanthRR/ConCURL_NCE上获得。
2022-04-25 cs.CV cs.LG
Discriminative Ordering Through Ensemble Consensus
Department of Computer and Information Science（计算机与信息科学系）；Linköping University（利厄普斯大学）
本文提出一种基于集成共识的判别性排序方法，利用聚类模型连通性与共识矩阵的距离对模型排序，在合成场景和不同聚类算法比较中优于现有评分方法且兼容约束条件。
2025-05-07 cs.AI cs.LG
Consensus Clustering With Unsupervised Representation Learning
The Ohio State University（俄亥俄州立大学）；Microsoft（微软）
深度聚类和无监督表示学习的最新进展是基于这样的想法，即输入图像的不同视图（通过数据增强技术生成）必须在表示空间中更接近，或者具有相似的聚类分配。Bootstrap Your Own Latent（BYOL）就是这样一种表示学习算法，它在线性评估协议下的ImageNet自监督图像分类中取得了最先进的结果。然而，没有探索BYOL的学习功能来执行聚类的效用。在这项工作中，我们研究了BYOL的聚类能力，并观察到使用BYOL学习的特征可能不是聚类的最佳选择。我们提出了一种新的基于一致性聚类的损失函数，并以端到端的方式使用所提出的损失进行训练BYOL，从而提高了聚类能力，并在一些流行的计算机视觉数据集上优于基于相似聚类的方法。
2021-07-08 cs.CV cs.LG
Multi-view Subspace Clustering via An Adaptive Consensus Graph Filter
Shanghai Maritime University（上海海事大学）
提出一种多视图子空间聚类方法，通过构建共识图滤波器并联合优化共识重构系数矩阵与各视图系数，提升聚类性能。
2024-01-30 cs.CV cs.LG
Determining the Number of Clusters via Iterative Consensus Clustering
North Carolina State University（北卡罗来纳州立大学）；University of North Carolina Chapel Hill（北卡罗来纳大学教堂山分校）
我们使用聚类集合来确定一组数据中的聚类数k。一致性相似性矩阵是使用多个算法和k的多个值从集合中形成的。在一致矩阵定义的图上诱导随机游动，并使用相关转移概率矩阵的特征值来确定聚类的数量。对于有噪声或高维数据，提出了一种迭代技术，以改进这种共识矩阵的方式，鼓励块对角形式。结果表明，所得到的共识矩阵一般优于现有的相似性矩阵，这种类型的光谱分析。
2014-08-05 cs.CV cs.LG stat.ML
CoHiRF: Hierarchical Consensus for Interpretable Clustering Beyond Scalability Limits
CEREMADE, University Paris Dauphine-PSL, France（CEREMADE，巴黎大学达菲涅-PSL大学，法国）；CMAP, École Polytechnique, France（CMAP，巴黎高等理工学院，法国）；Istituto Italiano di Tecnologia, Genova, Italy, University of Novi Sad, Serbia（意大利技术研究所，热那亚，意大利，诺维萨德大学，塞尔维亚）
CoHiRF通过层次共识框架提升聚类方法在高维噪声和大规模数据下的鲁棒性与可扩展性，提供可解释的聚类层次结构。
2026-02-06 cs.LG stat.ML
Ising-based Consensus Clustering on Specialized Hardware
University of Toronto（多伦多大学）；Fujitsu Laboratories of America, Inc.（美国富士通研究所）
CMOS退火机和绝热量子计算机等专用优化硬件的出现，带来了在硬件中更有效地解决困难的组合优化问题的希望。最近的工作集中在制定不同的组合优化问题的伊辛模型，大量的这些硬件平台使用的核心数学抽象，并评估这些模型的性能时，解决了专门的硬件。一个有趣的应用领域是数据采掘，其中组合优化问题是许多核心任务的基础。在这项工作中，我们专注于共识聚类（聚类聚合），一个重要的组合问题，在过去的二十年中受到了广泛关注。我们提出了两个伊辛模型的共识聚类和评估使用富士通数字退火，量子灵感的CMOS退火。我们的实证评估表明，我们的方法优于现有的技术，是未来研究的一个有前途的方向。
2020-03-04 cs.LG math.OC quant-ph
Consensus Clustering of Free-Viewing Gaze Data: New Insights into Human-Information Interaction
Graphics-Visualization-Computing Lab, International Institute of Information Technology Bangalore（图形-可视化-计算实验室，国际信息技术研究所班加罗尔）；PSG College of Technology（PSG理工学院）
提出基于集成学习的一致性聚类系统EnsembleGaze，通过特征工程和多种聚类策略分析自由观看眼动数据，揭示用户行为与刺激类型的模式，发现图像分组具有一致性而用户分组依赖图像上下文。
2026-07-01 cs.CV cs.HC cs.LG
MCFCN: Multi-View Clustering via a Fusion-Consensus Graph Convolutional Network
University of the Basque Country（巴斯克大学）；IKERBASQUE；North China University of Water Resources and Electric Power（华北电力大学）
本文提出MCFCN方法，通过融合共识图卷积网络端到端学习多视图共识图，并设计双对齐损失优化视图特定图，在八个基准数据集上取得领先聚类性能。
2025-11-03 cs.CV cs.LG
Multi-objective Consensus Clustering Framework for Flight Search Recommendation
Université Côte d’Azur（蔚蓝海岸大学）；CNRS（法国国家科学研究中心）；I3S（I3S研究所）；Amadeus S.A.S（阿玛迪斯公司）；EURECOM（欧洲通信学院）
在旅游行业，在线客户根据几个特征预订他们的旅行行程，如旅行的成本和持续时间或设施的质量。为了提供个性化的旅游搜索建议，需要对客户进行适当的细分。聚类集成方法的发展是为了克服经典聚类方法中的众所周知的问题，即每个方法都依赖于不同的理论模型，因此可以在数据空间中只识别对应于该模型的聚类。聚类集成方法结合多个聚类结果，每个聚类结果来自不同的算法配置，用于生成与初始聚类之间的协议相对应的更鲁棒的共识聚类。我们提出了一个新的聚类集成多目标优化为基础的框架，分析Amadeus客户搜索数据，提高个性化的建议。该框架优化了聚类集成搜索空间的多样性，并自动确定适当数量的聚类，而不需要用户的输入。实验结果比较了这种方法的效率与其他现有的方法对Amadeus客户搜索数据的内部（调整后的兰德指数）和外部（Amadeus业务指标）验证。
2020-02-26 cs.AI cs.IR cs.LG
Robust speech recognition using consensus function based on multi-layer networks
University of Tunis（突尼斯大学）；Higher Institute of Computer Science（计算机科学高等学院）
聚类集成将指定数据的多个分区混合到单个聚类解决方案中。聚类集成已成为一种有效的方法，以改善双方的力量和稳定性的无监督分类结果。聚类集成的主要问题之一是找到最佳的一致性函数。从不同的聚类结果中找到最终的划分需要分类算法的技巧和鲁棒性。此外，共识函数的主要问题是它对所使用的数据集质量的敏感性。这种限制是由于存在噪声、静音或冗余数据。提出了一种基于多层网络技术的聚类集成一致性函数和一种维护数据库的方法。这种维护数据库的方法是用来处理任何给定的嘈杂的语音，从而保证数据库的质量。这可以产生良好的结果和有效的数据分区。为了证明其有效性，我们支持我们的策略与实证评估失真的语音从极光语音数据库。
2015-07-22 cs.CL cs.LG
Connectivity-Driven Brain Parcellation via Consensus Clustering
The Institute for Information Transmission Problems（信息传输问题研究所）；National Research University Higher School of Economics（国立研究型高等经济大学）；University of Southern California（南加州大学）；Illinois Institute of Technology（伊利诺伊理工学院）
我们提出了两个相关的方法，从个人的连接体推导出基于连接性的大脑图谱。所提出的方法利用了先前提出的密集连接表示，称为连续连接，首先执行基于图形的层次聚类的个人大脑，随后聚合到一个共识parcellation的个人包裹。对共识的搜索最小化了聚类成员距离的总和，有效地估计了单个包裹的伪Karcher平均值。我们使用（1）Kullback-Liebler和Jensen-Shannon分歧来评估我们的包裹质量，（2）半球间对称性，（3）简化连接体在生物性别分类任务中的表现。我们发现，在所有三个评估中，使用分层深度3的贪婪搜索计算的基于包裹的地图集优于所有其他基于包裹的地图集以及标准的Dessikan-Killiany解剖地图集。
2018-08-10 cs.LG q-bio.NC stat.ML
Towards Fair Representation: Clustering and Consensus
National University of Singapore（新加坡国立大学）；Pennsylvania State University（宾夕法尼亚州立大学）；Sharif University of Technology（谢里夫理工大学）
该研究首次提出公平共识聚类问题，给出常数因子近似算法，还针对聚类公平性后处理提出最优及近线性近似算法，并证明两类不等规模群体场景下问题为NP难，为相关公平聚类问题提供参考。
2025-06-17 cs.DS cs.LG
Semi-supervised Clustering Ensemble by Voting
Dalhousie University（达尔豪斯大学）
聚类集成是无监督学习的最新进展之一。它的目的是将不同算法得到的聚类结果或同一聚类算法对同一数据集的不同运行得到的聚类结果结合起来，这是通过一个一致性函数来实现的，这种方法的效率和准确性已经在许多文献中得到了证明。在本文的第一部分中，我们对现有文献中的聚类集成方法进行了比较。所有这些方法包括两个主要步骤：集成生成和共识功能。在本文的第二部分中，我们建议在聚类集成过程中加入监督，以获得更多的增强聚类结果。监督可以在两个地方应用：通过在聚类集成生成步骤中使用半监督算法，或者以共识函数阶段使用的反馈形式。此外，我们引入了一个灵活的两个参数的加权机制，第一个参数描述了所研究的数据集和用于生成基本分区的半监督聚类算法之间的兼容性，第二个参数用于提供用户对这些分区的反馈。这两个参数参与基于“重新标记和投票”的共识函数，以产生最终的聚类。
2012-08-20 cs.LG stat.ML
Agglomerative Neural Networks for Multi-view Clustering
传统的多视图聚类方法通过最小化一致视图和子视图之间的成对差异来寻求视图一致性。然而，成对比较不能精确地描绘视图间的关系，如果一些子视图可以进一步聚集。为了解决上述问题，我们提出了凝聚分析近似的最佳共识视图，从而描述了一个视图结构内的子视图关系。我们提出了基于约束拉普拉斯秩的聚集神经网络（ANN）来直接聚类多视图数据，同时避免了专用的后处理步骤（例如，使用K-means）。我们进一步扩展ANN与可学习的数据空间来处理复杂场景的数据。我们的评估对几个国家的最先进的多视图聚类方法在四个流行的数据集显示了有前途的观点一致性分析能力的人工神经网络。我们进一步证明了人工神经网络的能力，在分析复杂的视图结构和可扩展性，在我们的案例研究，并解释其鲁棒性和有效性的数据驱动的修改。
2020-05-12 cs.LG stat.ML
Local Sample-weighted Multiple Kernel Clustering with Consensus Discriminative Graph
National University of Defense Technology（国防科技大学）；Hunan University（湖南大学）；Supercomputing and Cloud Computing Institute（超级计算与云计算研究院）；State University of New York, New Paltz（纽约州立大学新帕尔茨分校）
多核聚类（MKC）致力于从一组基本核中实现最佳信息融合。由于距离-距离相似性估计的不可靠性会降低聚类性能，因此构造精确的局部核矩阵具有重要的应用价值。虽然现有的局部化MKC算法与全局设计的竞争者相比表现出更好的性能，但大多数算法广泛采用KNN机制通过考虑τ -最近邻来定位核矩阵。然而，这种粗略的方式遵循了不合理的策略，即不同邻居的排序重要性相等，这在应用中是不切实际的。为了缓解这些问题，本文提出了一种新的局部样本加权多核聚类（LSWMKC）模型。我们首先在核空间中构造了一个一致判别亲和图，揭示了潜在的局部结构。此外，学习的亲和图的最佳邻域核输出具有自然稀疏性和清晰的块对角结构。此外，LSWMKC implementation优化不同的邻居与相应的样本的自适应权重。实验结果表明，我们的LSWMKC具有更好的局部流形表示，并优于现有的核或基于图的聚类算法。LSWMKC的源代码可以从https://github.com/liliangnudt/LSWMKC公开访问。
2022-07-05 cs.AI cs.LG
ESDF: Ensemble Selection using Diversity and Frequency
最近，一致性聚类的集成选择已经成为机器智能领域的一个研究问题。通常，共识聚类算法会考虑整个聚类集合，其中存在在计算其共识之前生成非常大的集合的趋势。人们可以避免考虑整个集合，并且可以明智地选择集合中的几个分区，而不会损害共识的质量。这可以导致有效的一致性计算技术，并且可以节省不必要的计算开销。集成选择问题解决了这个问题的共识聚类。在本文中，我们提出了一个有效的方法，集成选择一个大的合奏。我们根据多样性和频率对集合中的分区进行优先级排序。我们的方法按照优先级顺序选择前K个分区，其中K由用户决定。我们观察到，共同考虑的多样性和频率有助于确定少数代表性的分区，其共识是质量上优于整个合奏的共识。在大量数据集上的实验分析表明，该方法比以往的集成选择方法有更好的效果。
2015-08-18 cs.LG
Longitudinal Learner Participation Profiling in Online Learning: Heterogeneous Consensus Clustering under Unequal Observation Windows
University of the Witwatersrand（金山大学）；University of Johannesburg（约翰内斯堡大学）
该研究针对在线学习中不等观测窗口导致的参与度画像偏差问题，采用异质性共识聚类方法，基于16448条学习者-课程序列构建了四类参与度画像，为在线学习参与度分析提供了优化方案。
2026-10-14 cs.CY cs.LG
On Hyperparameter Search in Cluster Ensembles
Zuse-Institute Berlin（柏林祖斯研究所）；Freie Universität Berlin（柏林自由大学）；Institut für Mathematik（数学研究所）
无监督学习中模型的质量评估，特别是聚类验证，一直是机器学习研究中的一个难题。由于缺乏鲁棒且普遍适用的聚类有效性得分，算法选择和超参数评估往往是一个艰难的猜测。在本文中，我们表明，集群集成聚合技术，如共识聚类，可用于评估集群及其超参数配置。我们使用归一化的互信息来比较单个对象的聚类集成构建的共识，整个集成和显示，所得到的分数可以作为一个整体的质量度量聚类问题。这种方法能够突出的聚类和超参数配置的合奏，即使在扭曲的共识的情况下。我们将这个非常一般的框架应用于各种数据集，并为未来的研究提供了可能的方向。
2018-03-29 cs.LG stat.ML
Multiple kernel learning for integrative consensus clustering of 'omic datasets
MRC Biostatistics Unit（MRC生物统计学单元）；Cambridge Institute of Therapeutic Immunology & Infectious Disease（剑桥治疗免疫学与传染病研究所）；University of Cambridge（剑桥大学）
不同的应用程序-特别是在肿瘤亚型-已经证明了整合聚类技术的重要性，从多个数据源的信息相结合。聚类分析（COCA）就是一种广泛应用于肿瘤亚型分析的方法。然而，COCA的属性从未被系统地探索过，并且它对包含噪声数据集或定义冲突聚类结构的数据集的鲁棒性尚不清楚。我们严格基准COCA，并提出核学习集成聚类（KLIC）作为一种替代策略。KLIC将组合聚类结构的挑战框定为多核学习问题，其中不同的数据集各自为最终聚类提供加权贡献。这允许噪声数据集的贡献相对于信息量更大的数据集被降低权重。我们通过仿真研究比较了KLIC和COCA在各种情况下的性能。我们还介绍了KLIC和COCA在癌症亚型和转录模块发现的实际数据应用中的输出。R软件包“klic”和“coca”可以在Comprehensive R Archive Network上找到。
2020-05-18 cs.LG stat.AP stat.ME
VertCoHiRF: Decentralized Vertical Clustering Beyond k-means
CEREMADE, University of Paris Dauphine - PSL, Paris, France（巴黎中央经济与应用数学学院，巴黎第四大学-PSL，巴黎，法国）
VertCoHiRF提出一种基于结构共识的去中心化垂直联邦聚类方法，通过标识符级共识实现跨代理的共享层次聚类，支持异构特征空间和隐私保护。
2026-02-07 cs.LG
Iterative Views Agreement: An Iterative Low-Rank based Structured Optimization Method to Multi-View Spectral Clustering
The University of New South Wales（新南威尔士大学）；The University of Adelaide（阿德莱德大学）；Australian Centre for Robotic Vision（澳大利亚机器人视觉中心）；The University of Melbourne（墨尔本大学）；University of Technology Sydney（悉尼科技大学）
多视图谱聚类是一个基本的聚类问题，其目的是利用图拉普拉斯矩阵对多视图数据对象进行一致或一致的分组。在现有的方法中，基于低秩表示（LRR）的方法在其有效性、直观性和对噪声的鲁棒性方面具有相当的优势。然而，它积极地试图学习一个共同的低维子空间的多视图数据，而忽视了局部流形结构，在每个视图，这是至关重要的谱聚类;更糟糕的是，低秩最小化是强制执行，以实现所有视图之间的数据相关性的共识，未能灵活地保持局部流形结构为每个视图。本文提出了一种多图Laplacian正则化LRR，每个图Laplacian对应一个视图，以刻画其局部流形结构。2)我们不是直接在所有视图之间强制低秩最小化以实现相关一致性，而是分别对每个视图施加低秩约束，再加上相互的结构一致性约束，它不仅能够很好地保持局部流形结构，而且还可以作为其他视图的约束，这迭代地使视图更令人满意。在真实世界多视图数据集上的大量实验证明了其优越性。
2016-08-19 cs.LG stat.ML
Hyperspectral Image Clustering with Spatially-Regularized Ultrametrics
Tufts University（塔夫茨大学）
提出了一种基于超度量路径距离的空间正则化谱聚类的高光谱图像无监督聚类方法。所提出的方法有效地结合了数据密度和几何形状，以区分数据中的材料类别，而无需训练标签。所提出的方法是有效的，与准线性缩放的数据点的数量，并享有强大的理论性能保证。对合成和真实HSI数据的大量实验表明，与基准和最先进的方法相比，它具有强大的性能。特别是，所提出的方法不仅实现了出色的标记精度，而且还有效地估计聚类的数量。
2020-04-10 cs.CV cs.LG stat.AP
Spatially Coherent Clustering Based on Orthogonal Nonnegative Matrix Factorization
Center for Industrial Mathematics（工业数学中心）；University of Bremen（不来梅大学）
聚类分析中的经典方法通常基于特征空间分析。然而，许多应用程序会导致数据集具有额外的空间信息和具有空间相干类的地面实况，这些数据集不一定能通过标准聚类方法很好地重建。出于在高光谱成像中的应用，我们在这项工作中引入基于正交非负矩阵分解的聚类模型，其中包括一个额外的全变差（TV）正则化程序的集群成员矩阵，以执行集群中所需的空间相干性。我们提出了几种不同的优化技术的方法，其中TV正则化要么作为后续的后处理步骤执行，要么包含在聚类算法中。最后，我们提供了一个数值评估所有提出的方法从矩阵辅助激光解吸/电离成像测量，这导致显着更好的聚类结果相比，经典的聚类模型获得的高光谱数据集。
2021-04-25 cs.LG cs.NA math.NA
Efficient Multi-view Clustering via Unified and Discrete Bipartite Graph Learning
South China Agricultural University（华南农业大学）；Sun Yat-sen University（中山大学）；South China Normal University（华南师范大学）
虽然基于图的多视图聚类算法已经取得了很大的进展，但大多数算法仍然面临着三个方面的局限性。首先，它们通常具有较高的计算复杂性，这限制了它们在大规模场景中的应用。其次，他们通常在单视图或视图一致性水平上进行图学习，但往往忽略了单视图和一致性图联合学习的可能性。第三，他们中的许多人依赖于k-均值离散化的谱嵌入，这缺乏直接学习具有离散聚类结构的图的能力。鉴于此，本文提出了一种有效的多视图聚类方法，通过统一和离散二分图学习（UDBGL）。具体地，基于锚的子空间学习被结合以从多个视图学习视图特定的二分图，在此基础上，二分图融合被利用以学习具有自适应权重学习的视图一致性二分图。此外，施加拉普拉斯秩约束，以确保融合的二分图具有离散的簇结构（具有特定数量的连接组件）。通过同时制定特定于视图的二分图学习，视图一致性二分图学习，和离散聚类结构学习到一个统一的目标函数，然后设计一个有效的最小化算法来解决这个优化问题，并直接实现离散聚类解决方案，而不需要额外的分区，这显着具有线性时间复杂度的数据大小。在多种多视图数据集上的实验证明了UDBGL方法的鲁棒性和有效性。该代码可在https://github.com/huangdonghere/UDBGL上获得。
2023-03-22 cs.AI cs.LG
Deep Spatially-Regularized and Superpixel-Based Diffusion Learning for Unsupervised Hyperspectral Image Clustering
Tufts University（塔夫茨大学）
本文提出一种结合掩码深度表征学习与扩散聚类的无监督超光谱图像聚类框架，通过改进的空间正则化超像素扩散学习算法，提升聚类质量。
2026-04-14 cs.CV cs.LG
Linear time Evidence Accumulation Clustering with KMeans
Ingenico Innovation Labs（Ingenico创新实验室）
本文提出一种线性时间技巧，使KMeans能高效求解证据累积聚类，并在基准上达到与最先进方法相当的NMI和最佳密度。
2023-11-15 cs.AI cs.LG
Text-Guided Alternative Image Clustering
Faculty of Computer Science, University of Vienna（维也纳大学计算机科学学院）；UniVie Doctoral School Computer Science, University of Vienna（维也纳大学UniVie计算机科学博士学院）；LMU Munich（慕尼黑大学）；Munich Center for Machine Learning（慕尼黑机器学习中心）；Faculty of Philological and Cultural Studies, University of Vienna（维也纳大学语言与文化学院）
本文提出文本引导的替代图像共识聚类方法TGAICC，利用大型视觉-语言模型和用户提示发现多样化图像聚类，并在基准数据集上优于基线方法，同时提供文本解释。
2024-06-07 cs.CV cs.LG
Multi-view Contrastive Graph Clustering
University of Electronic Science and Technology of China（电子科技大学）
随着信息技术的爆炸式增长，多视图图形数据变得越来越普遍和有价值。大多数现有的多视图聚类技术要么集中在多个图形或多视图属性的情况下。在本文中，我们提出了一个通用的框架来聚类多视图属性图数据。具体地说，受对比学习成功的启发，我们提出了多视图对比图聚类（MCGC）方法来学习一致性图，因为原始图可能是嘈杂的或不完整的，并不直接适用。我们的方法由两个关键步骤组成：首先通过图过滤过滤掉不需要的高频噪声，同时保留图的几何特征，并获得节点的平滑表示;然后通过图对比度损失学习正则化的共识图。几个基准数据集上的结果显示了我们的方法相对于最先进的方法的优越性。特别是，我们的简单方法优于现有的基于深度学习的方法。
2021-10-22 cs.AI cs.CV cs.LG
Robust Ensemble Clustering Using Probability Trajectories
Sun Yat-sen University（中山大学）；South China Agricultural University（华南农业大学）；Guangdong Key Laboratory of Information Security Technology（广东省信息安全技术重点实验室）；SYSU-CMU Shunde International Joint Research Institute (JRI)（中山大学-卡内基梅隆大学顺德国际联合研究院（JRI））
虽然近年来已经发展了许多成功的集成聚类方法，但大多数现有方法仍然存在两个局限性。首先，它们大多忽视了不确定的联系问题，这可能误导整个协商一致进程。第二，它们普遍缺乏纳入全球信息以完善地方联系的能力。针对这两个局限性，本文提出了一种基于稀疏图表示和概率轨迹分析的集成聚类方法。特别是，我们提出了精英邻居选择策略，以确定局部自适应阈值的不确定的链接，并建立一个稀疏图与少量的可能可靠的链接。我们认为，少量的可能可靠的链接可以导致显着更好的共识结果比使用所有的图形链接，无论其可靠性。利用一个新的转移概率矩阵驱动的随机游动过程来探索图中的全局信息。通过分析随机游走者的概率轨迹，我们从稀疏图中推导出一种新的稠密相似性度量，并在此基础上进一步提出了两个一致性函数。在多个真实数据集上的实验结果证明了该方法的有效性和效率。
2016-06-03 cs.LG stat.ML
Low-rank Kernel Learning for Graph-based Clustering
University of Electronic Science and Technology of China（电子科技大学）
邻接图的构造是基于图聚类的基础。内核空间中的图学习在许多基准数据集上表现出令人印象深刻的性能。然而，其性能在很大程度上取决于所选择的核矩阵。为了解决这个问题，先前的多核学习算法已经被应用于从一组预定义的核中学习最优的核。这种方法可能对噪声敏感，并限制了共识核的表示能力。与现有的方法相比，我们建议学习一个低秩的核矩阵，利用核矩阵的相似性，并寻求一个最佳的内核从候选内核的邻域。通过在统一的框架中制定图构造和核学习，图和共识核可以相互迭代增强。大量的实验结果验证了该方法的有效性。
2019-03-14 cs.CV cs.LG stat.ML
Spatially-constrained clustering of geospatial features for heat vulnerability assessment of favelas in Rio de Janeiro
UMR Espace-Dev, French National Research Institute for Sustainable Development (IRD)（法国可持续发展国家研究所空间发展研究中心）；Fundação Oswaldo Cruz (Fiocruz)（奥斯沃阿尔多·克鲁兹基金会）
本文通过结合空间约束聚类与地表温度分析，揭示了里约热内卢贫民窟两种不同形态对热暴露的影响差异，为全球无房者社区的针对性规划提供框架。
2026-04-28 cs.LG
Gromov-Wasserstein Methods for Multi-View Relational Embedding and Clustering
Instituto Federal de Educação, Ciência e Tecnologia do Ceará（塞阿拉联邦教育、科学和技术 institute）；Federal University of Ceara（塞阿拉联邦大学）；Sigma Nova
本文提出Bary-GWMDS和Mean-GWMDS-C方法，通过直接操作距离矩阵学习共识嵌入，保留共享关系结构，并在合成和现实数据集上验证了稳定且几何意义显著的嵌入效果。
2026-04-26 cs.LG stat.ML
Spatially Constrained Spectral Clustering Algorithms for Region Delineation
Michigan State University（密歇根州立大学）
区域化是将景观划分为具有相似属性的均匀斑块的任务。虽然这项任务有广泛的应用，但它有两个显著的挑战。首先，假设所得到的区域是均匀的和空间连续的。第二，众所周知，景观是有层次的，因此，精细尺度的区域完全嵌套在更广泛的区域内。为了解决这两个挑战，首先，我们开发了一个空间约束的谱聚类框架，区域划分，结合区域同质性和空间连续性之间的权衡。该框架使用灵活的，截断指数核来表示空间邻接约束，这是集成的景观特征相似性矩阵的区域划定。为了解决第二个挑战，我们扩展了框架，以创建嵌套在更广泛的规模的区域使用贪婪，递归二分法的精细规模的区域。我们提出了一个案例研究的陆地生态数据集在美国，比较拟议的框架与几个基线方法进行区域化。实验结果表明，所提出的区域化框架优于基线方法，特别是在平衡区域连续性和均匀性方面，以及创建更相似大小的区域，这通常是区域的期望特征。
2019-05-21 cs.LG stat.ML
Multiscale Clustering of Hyperspectral Images Through Spectral-Spatial Diffusion Geometry
Tufts University（塔夫茨大学）
聚类算法将数据集划分为相似点的组。本文的主要贡献是多尺度空间正则化扩散学习（M-SRDL）聚类算法，该算法使用空间正则化扩散距离来高效准确地学习高光谱图像中潜在结构的多个尺度。M-SRDL聚类算法从高光谱图像中提取多个尺度的聚类，并输出这些聚类的信息重心变化作为所有潜在聚类结构的样本。我们表明，将空间正则化到一个多尺度聚类框架的结果更平滑，更连贯的集群时，应用于高光谱数据，产生更准确的聚类标签。
2022-04-07 cs.CV cs.LG stat.ML
Locally Weighted Ensemble Clustering
South China Agricultural University（华南农业大学）；Sun Yat-sen University（中山大学）
集成聚类技术由于其能够将多个基本聚类组合成一个可能更好、更鲁棒的聚类，近年来受到越来越多的关注。尽管取得了显著的成功，但大多数现有的集成聚类方法的一个局限性是，它们通常平等地对待所有的基本聚类，而不管它们的可靠性如何，这使得它们容易受到低质量的基本聚类的影响。虽然已经做出了一些努力来（全局）评估和加权的基础聚类，但这些方法往往将每个基础聚类视为一个个体，而忽略了同一基础聚类内聚类的局部多样性。如何评价聚类的可靠性，利用集合中的局部多样性来提高一致性，特别是在没有数据特征或数据分布假设的情况下，仍然是一个有待解决的问题。为了解决这个问题，在本文中，我们提出了一种新的集成聚类方法基于集成驱动的聚类不确定性估计和局部加权策略。特别是，每个集群的不确定性估计通过考虑集群标签在整个合奏通过熵标准。提出了一种新的聚类有效性度量方法，并给出了一个局部加权的协关联矩阵来概括不同聚类的聚类结果。利用集成的局部多样性，进一步提出了两个新的一致性函数。在各种真实世界数据集上的大量实验表明，所提出的方法优于最先进的。
2019-12-28 cs.LG
Small-sample Brain Mapping: Sparse Recovery on Spatially Correlated Designs with Randomization and Clustering
INRIA（法国国家信息与自动化研究所）；NeuroSpin（NeuroSpin神经影像研究中心）；CEA（法国原子能委员会）
功能性神经成像可以测量大脑？人对外界刺激的反应。它被用来执行大脑映射：从这些观察中识别所涉及的大脑区域。这个问题可以被转换成线性监督学习任务，其中神经成像数据被用作刺激的预测器。大脑映射然后被看作是一个支持恢复问题。在功能性MRI（fMRI）数据上，这个问题特别具有挑战性，因为i）由于有限的采集时间，样本的数量很少，以及ii）变量是强相关的。我们建议克服这些困难，通过聚类的原始变量得到的新变量使用稀疏回归模型。使用随机化技术，例如自举样本和变量聚类，可以提高稀疏方法的恢复性能。我们证明了我们的方法在广泛的模拟研究以及两个fMRI数据集的好处。
2012-06-27 cs.CV cs.LG stat.AP
RHEA: Reliability-Harmonized Reconstruction and Assignment for Robust Multimodal-Attributed Graph Clustering
针对多模态属性图聚类中属性含噪或缺失时性能下降的问题，提出RHEA框架，通过估计节点特定模态可靠性并结合邻域信息提升聚类效果，在基准测试中表现优于最强基线。
2026-08-04 cs.LG
Unsupervised Urban Tree Biodiversity Mapping from Street-Level Imagery Using Spatially-Aware Visual Clustering
针对城市树木生物多样性监测成本高、监督式AI泛化差的问题，提出结合街景图像视觉嵌入与空间种植模式的无监督聚类框架，在北美8城验证能高保真恢复属级多样性，为低成本制图提供新方法。
2025-08-24 cs.CV cs.LG
Seeking Commonness and Inconsistencies: A Jointly Smoothed Approach to Multi-view Subspace Clustering
South China Agricultural University（华南农业大学）；Sun Yat-sen University（中山大学）
多视点子空间聚类旨在从多个视点中发现隐藏的子空间结构，以实现鲁棒聚类，近年来受到了广泛的关注。尽管已有的多视点子空间聚类算法取得了很大的进展，但仍存在两个局限性。首先，他们通常专注于多个视图的一致性（或共性），但往往缺乏捕捉子空间表示中的跨视图不一致性的能力。第二，他们中的许多人忽略了多个视图的局部结构，不能联合利用多个局部结构来增强子空间表示学习。为了解决这两个限制，在本文中，我们提出了一个联合平滑多视点子空间聚类（JSMC）的方法。具体来说，我们同时将跨视图的共性和不一致的子空间表示学习。提出了视图一致性分组效应，共同利用多个视图的局部结构对视图一致性表示进行正则化，并通过核范数将视图一致性表示与低秩约束相关联，以增强视图一致性表示的聚类结构.因此，跨视图的共性和不一致性，视图一致性分组效果，和低秩表示无缝地纳入到一个统一的目标函数，在此基础上，交替优化算法执行，以实现一个强大的子空间表示聚类。在多种真实世界多视图数据集上的实验结果证实了该方法的优越性。可用代码：https://github.com/huangdonghere/JSMC。
2022-10-31 cs.CV cs.LG
Global Graph Propagation with Hierarchical Information Transfer for Incomplete Contrastive Multi-view Clustering
Harbin Institute of Technology, Weihai（哈尔滨工业大学（威海））；Ningbo University（宁波大学）；Harbin Institute of Technology, Shenzhen（哈尔滨工业大学（深圳））
提出一种不完整多视图聚类方法，通过视图特定GCN、全局图传播和层级信息传递，结合对比学习实现端到端联合优化，提升聚类性能。
2025-02-26 cs.LG
Effective and Efficient Graph Learning for Multi-view Clustering
Xidian University（西安电子科技大学）；Shenzhen Institute of Information Technology（深圳信息职业技术学院）；Chongqing University of Posts and Telecommunications（重庆邮电大学）；University of Sydney（悉尼大学）
针对现有基于图的多视图聚类方法在时间开销、后处理及秩近似方面的不足，提出一种基于二部图和张量Schatten p-范数的图学习模型，实现高效且直接聚类，实验优于现有方法。
2022-01-15 cs.LG
When Genes Speak: A Semantic-Guided Framework for Spatially Resolved Transcriptomics Data Clustering
针对现有空间转录组聚类方法忽略基因生物语义的问题，本文提出语义引导框架SemST，融合LLM生成的基因语义嵌入与GNN捕获的空间结构，搭配FSM模块实现了最优聚类性能且模块可即插即用于基线方法。
2025-11-14 cs.LG
Superpixel-based and Spatially-regularized Diffusion Learning for Unsupervised Hyperspectral Image Clustering
City University of Hong Kong（香港城市大学）；Tufts University（塔夫茨大学）；The University of Hong Kong（香港大学）；Wake Forest University（维克森林大学）
提出S2DL算法，结合超像素分割与空间正则化扩散学习，实现无监督高光谱图像聚类，在多个真实数据集上验证了高效性与准确性。
2023-12-24 cs.CV cs.LG stat.AP
Efficient Time Series Clustering from Multiscale Reservoir Dynamics with Granular-Ball Anchoring Graph Optimization
Chongqing Key Laboratory of Computational Intelligence, Key Laboratory of Cyberspace Big Data Intelligent Security, Ministry of Education, Sichuan-Chongqing Co-construction Key Laboratory of Digital Economy Intelligence and Key Laboratory of Big Data Intelligent Computing, College of Computer Science and Technology, Chongqing University of Posts and Telecommunications（重庆邮电大学计算机科学与技术学院，计算智能重庆市重点实验室，网络空间大数据智能安全教育部重点实验室，川渝共建数字经济智能重点实验室，大数据智能计算重点实验室）；Chongqing Ant Consumer Finance Co,. Ltd , Ant Group（蚂蚁集团，重庆蚂蚁消费金融有限公司）
提出MSRGC-Net框架，结合无训练储层计算、粒球锚定图构建和共识学习，实现高效且准确的时间序列聚类。
2026-06-11 cs.LG
Discriminative Anchor Learning for Efficient Multi-view Clustering
Shanghai University（上海大学）；University of Trento（特伦托大学）
本文提出多视图聚类判别性锚点学习方法DALMC，通过正交约束学习判别性特定视图特征并构建一致性锚点图，在统一框架内相互优化，有效提升了聚类性能与计算效率。
2024-09-25 cs.AI cs.LG
