Correlation Clustering in Data Streams
聚类是分析大型数据集的基本工具。大量的工作致力于设计数据流算法的相关优化问题,如$k$ -中心,$k$ -中位数,和$k$ -手段。这样的算法需要在时间和空间上都有效。本文研究了动态数据流模型中的相关聚类问题。该流包括对$n$节点上的图的边权重的更新,并且目标是找到节点分区,使得负权重边的端点通常在不同的集群中,而正权重边的端点通常在相同的集群中。我们提出了多项式时间,$O(n\cdot \ \mbox{polylog}~n)$空间近似算法自然出现的问题。我们首先开发基于线性草图的数据结构,它允许测量给定节点分区的“质量”。然后,我们结合这些数据结构与凸规划和采样技术来解决相关的近似问题。不幸的是,标准的LP和SDP公式在$O(n\cdot \mbox{polylog}~n)$ -空间中显然是不可解的。我们的工作提出了空间有效的算法所需的凸规划,以及方法来减少采样的自适应性。
2018-12-05 cs.DS
Clustering High Dimensional Dynamic Data Streams
我们提出了数据流算法的$k$ -中位数问题的高维动态几何数据流,即流允许插入和删除的点从一个离散的欧几里德空间$\{1, 2, \ldots Δ\}^d$。我们的算法使用$k ε^{-2} poly(d \log Δ)$空间/时间,并保持高概率的一个小的加权点集(coreset),这样,对于每一组$k$中心的coreset $(1+ε)$的成本-近似的流点集的成本。我们还提供了算法,保证只有积极的权重在coreset与额外的对数因子的空间和时间复杂度。我们可以使用这个正加权的核心集来计算$(1+ε)$ -近似的$k$ -中位数问题的任何有效的离线$k$ -中位数算法。所有以前的算法计算$(1+ε)$ -近似的$k$ -中位数问题的动态数据流需要在$d$的空间和时间指数。我们的算法可以推广到有界双维的度量空间。
2017-06-13 cs.DS
Fast, Space-Optimal Streaming Algorithms for Clustering and Subspace Embeddings
本文提出流式聚类和子空间嵌入算法,实现空间最优和时间最优,与离线设置效率相当。
2025-04-22 cs.DS
Improved Sliding Window Algorithms for Clustering and Coverage via Bucketing-Based Sketches
流计算在大规模数据分析中起着重要的作用。滑动窗口模型是一种流计算模型,它还捕获数据的新近性。在此模型中,数据一次到达一个项目,但对于特定问题,只考虑最新的$W$数据项目。目标是通过在流期间维护一个小摘要,在流的结尾输出一个好的解决方案。在这项工作中,我们提出了一个新的算法框架,设计有效的滑动窗口算法,通过桶为基础的草图。基于这个新的框架,我们开发了空间有效的滑动窗口算法的$k$覆盖,$k$聚类和多样性最大化问题。对于上述每一个问题,我们的算法实现了$(1\pm \varepsilon)$ -近似。与以往的工作相比,它提高了逼近比和空间。
2021-10-29 cs.DS
Online $k$-means Clustering on Arbitrary Data Streams
我们考虑在线$k$ -均值聚类,其中每个新点被分配到最近的聚类中心,之后该算法可以更新其中心。所产生的损失是从新点到其分配的聚类中心的平方距离之和。数据流$X$上的目标是实现$L(X, OPT_k)$的恒定因子的损耗,即事后使用$k$固定点的最佳可能损耗。我们提出了一个数据参数,$Λ(X)$,这样,对于任何算法保持$O(k\text{poly}(\log n))$中心在时间$n$,存在一个数据流$X$的损失$Ω(Λ(X))$是不可避免的。然后,我们给出了一个随机算法,实现聚类损失$O(Λ(X) + L(X, OPT_k))$。我们的算法使用$O(k\text{poly}(\log n))$内存和维护$O(k\text{poly}(\log n))$集群中心。我们的算法也享有$O(k\text{poly}(\log n))$的运行时间,是第一个算法,实现多项式的空间和时间复杂度在此设置。它也是第一个在不对输入数据做任何假设的情况下拥有可证明保证的方法。
2022-07-31 cs.DS cs.LG
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
Differentially Private Clustering in Data Streams
Google(谷歌);Columbia University(哥伦比亚大学);Purdue University(普渡大学)
本研究针对流式聚类的隐私保护需求,提出首个持续发布设置下的次线性空间差分隐私$k$-均值/$k$-中位数聚类框架,实现两种近似保证且仅需离线DP算法作为黑盒。
2025-10-02 cs.CR cs.DS cs.LG
Improved Streaming Algorithm for Fair $k$-Center Clustering
School of Mathematics and Statistics, Fuzhou University(福州大学数学与统计学院);School of Integrated Circuits, Guangdong University of Technology(广东工业大学集成电路学院);School of Accounting, Information Systems and Supply Chain, RMIT University(皇家墨尔本理工大学会计、信息系统和供应链学院)
本文提出改进的流算法,用于解决公平的$k$-中心聚类问题,实现5近似比并适应离线问题,同时扩展到半结构化数据流。
2026-01-16 cs.DM cs.DS
Online Differentially Private Consistent Clustering
Google Research(谷歌研究);Tel Aviv University(特拉维夫大学);Google(谷歌);Google Deepmind(谷歌DeepMind)
该研究针对在线流环境下的差分隐私聚类问题,提出通用归约方法,使算法在近似比、空间与时间性能上优于或匹配现有方法,且继承了非私有聚类算法的一致性属性。
2026-08-31 cs.CR cs.DS
Coresets for constrained k-median and k-means clustering in low dimensional Euclidean space
University of Cologne(科隆大学)
我们研究(欧几里德)$k$ -中位数和$k$ -意味着在流模型的约束。最近,人们努力设计统一的算法来解决约束$k$ -均值问题,而不使用手头的特定约束的知识,除了温和的假设,如约束下的可行性的多项式可计算性(计算聚类是否满足约束)或存在有效的赋值oracle(给定一组中心,产生满足约束的点到中心的最优分配)。这些算法在$k$中具有运行时间指数,但可以应用于广泛的约束。我们证明了2019年提出的一种用于解决特定约束流$k$ -均值问题的技术,即公平的$k$ -均值聚类,实际上意味着所有这些约束的流算法。这些工作低维欧氏空间。[Note有更多的算法用于流传输公平的$k$ -意味着今天,特别是它们现在也存在于高维空间。
2021-06-14 cs.DS cs.LG
Hierarchical Clustering in Graph Streams: Single-Pass Algorithms and Space Lower Bounds
层次聚类(HC)问题包括建立一个层次的聚类来表示给定的数据集。受现代大规模应用的启发,我们研究了\streaming模型中的问题,在该模型中,内存严重受限,只允许对输入进行一次或很少的传递。具体来说,我们调查是否可以获得一个良好的层次聚类,或者至少我们是否可以近似估计的最佳层次的值。为了衡量质量的层次结构,我们使用的HC最小化目标介绍Dasgupta。假设输入是一个$n$ -顶点加权图,其边到达流中,我们得到以下关于空间与精度权衡的结果:* 使用$O(n\cdot \text{polylog}\,{n})$空间,我们开发了一个单遍算法,其近似比匹配当前最好的离线算法。* 当空间是有限的,即$n^{1-o(1)}$,我们证明,没有算法甚至可以估计最佳HC树的值内的$o(\frac{\log{n}}{\log\log{n}})$因素,即使允许$\text{polylog}{\,{n}}$通过输入。* 在最严格的设置$\text{polylog}\,{n}$空间,我们排除了算法,甚至可以区分“高度”与“差”聚类图,即,图形之间有一个$n^{1/2-o(1)}$因素差距HC目标值。* 最后,我们证明,任何单通流算法,计算一个最佳的HC树需要存储几乎整个输入,即使允许的指数时间。我们的算法结果建立了一个一般的结构性结果,证明了输入图的切割稀疏可以保持“平衡”HC树的成本在一个常数因子。我们的…
2022-06-15 cs.DS
Streaming algorithms for computing coresets and $k$-median clustering in the Hamming space
CNRS & DIENS, École normale supérieure de Paris, PSL Research University(法国国家科学研究中心与信息与电子工程研究所,巴黎高等师范学院,巴黎文理研究大学);Department of Mathematics and Computer Science (IMADA), University of Southern Denmark(南丹麦大学数学与计算机科学系(IMADA))
针对Hamming空间中W[1]-困难的连续k-中位数聚类问题,提出首个带(1+ε)近似比的FPT流算法,空间复杂度低,还给出该问题首个ε-核心集的流算法。
2026-08-26 cs.DS
Learning-Augmented Streaming Algorithms for Correlation Clustering
University of Science and Technology of China(中国科学技术大学);Nanjing University(南京大学);New Cornerstone Science Laboratory(新基石科学实验室)
本文针对相关性聚类问题提出了首批学习增强流式算法,利用预测器提供的顶点间成对距离预测,在完全图和一般图上分别实现了优于3和 $O(\log |E^-|)$ 的近似,改进了空间-近似权衡。
2025-10-12 cs.DS cs.LG
Fair Clustering in the Sliding Window Model
研究滑动窗口模型中的比例公平聚类流式算法,证明严格公平下无法实现有限乘法比率,但放宽约束后存在空间高效的近似算法,并在真实数据集上验证了理论。
2025-03-07 cs.DS
Preconditioned Spectral Clustering for Stochastic Block Partition Streaming Graph Challenge
局部最优块预条件共轭梯度(LOBPCG)被证明可以有效地解决谱聚类中出现的图拉普拉斯算子的特征值问题。对于静态图分区,在没有预处理的情况下,LOBPCG的10-20次迭代导致约10倍的错误减少,足以实现具有已知真值分区的所有挑战数据集的100%正确性,例如,对于具有5 K/.1M(50 K/1 M)顶点/边的图形,只需2(7)秒,而基线Python代码需要超过5,000(30,000)秒。我们的Python代码使用10 GB(50 GB)内存在270(1,700)秒内从具有0.5M(2 M)顶点的Challenge静态图中100%正确地确定了98(160)个聚类。我们的单精度MATLAB代码在一半的时间和内存中计算相同的聚类。对于流图分区,LOBPCG是用已经为先前图计算的图拉普拉斯算子的近似特征向量来启动的,与静态情况相比,在许多情况下减少了所需LOBPCG迭代次数的2-3倍。我们的谱聚类是通用的,即假设没有特定的块模型或流,用于生成挑战的图形,与基本代码相反。尽管如此,在与5 K图的基本代码的10阶段流比较中,我们的集群的质量从阶段4(7)开始类似或更好,用于新兴边缘(滚雪球)流,而计算速度快了100-1000。
2017-08-21 cs.DC cs.DS cs.MS
Sketching Algorithms for Sparse Dictionary Learning: PTAS and Turnstile Streaming
Purdue University(普渡大学);Carnegie Mellon University(卡内基梅隆大学)
本文提出基于草图算法的新技术,首次为稀疏字典学习设计 PTAS,并给出字典学习与 k-均值聚类在十字转门流模型下的空间上界和下界。
2023-10-29 cs.DS cs.LG
Polylogarithmic Sketches for Clustering
给定$\ell_p^d$中的$n$点,我们考虑将点划分为具有关联中心的$k$簇的问题。聚类的成本是点到其聚类中心的距离的$p^{\text{th}}$幂的总和。对于$p \in [1,2]$,我们设计草图的大小聚$(\log(nd),k,1/ε)$,使成本的最佳聚类可以估计内的因素$1+ε$,尽管事实上,压缩表示不包含足够的信息来恢复集群中心或分区成集群。这导致了一个流算法估计聚类成本与空间聚$(\log(nd),k,1/ε)$。我们还获得了一个分布式内存算法,其中的$n$点之间任意分区的$m$机器,其中每个发送信息到一个中央党谁然后计算近似的聚类成本。在此工作之前,对于$p \in [1,2)$,不知道这种流或分布式存储器算法具有对$d$的次线性依赖性。
2022-04-26 cs.DS
Clustering Permutations: New Techniques with Streaming Applications
National University of Singapore(新加坡国立大学);Pennsylvania State University(宾夕法尼亚州立大学);Weizmann Institute of Science(魏茨曼科学研究所)
本文提出了一种新的算法框架,用于在Ulam度量下对排列进行聚类,实现了1.999近似算法,并适用于流式计算环境。
2022-12-04 cs.DS
A $(3+\varepsilon)$-Approximate Correlation Clustering Algorithm in Dynamic Streams
本文提出了一种适用于动态流的单次遍历半流式相关聚类算法,通过稀疏化输入图实现了 $(3+\varepsilon)$-近似比,改进了现有算法的近似比和遍历次数,且是首个使用多项式后处理时间的单次遍历算法。
2025-02-27 cs.DC cs.DS
Adversarial Robustness of Streaming Algorithms through Importance Sampling
Google(谷歌);MIT(麻省理工学院);Carnegie Mellon University(卡内基梅隆大学)
在本文中,我们介绍了中央机器学习和算法任务,如回归和聚类,以及他们更一般的同行,子空间嵌入,低秩近似,和coreset建设的adversarially强大的流算法。对于回归和其他数值线性代数相关的任务,我们考虑行到达流模型。我们的研究结果是基于一个简单的,但强大的,观察到许多重要性采样为基础的算法产生对抗性的鲁棒性,这是在对比素描为基础的算法,这是非常普遍的流媒体文学,但遭受对抗攻击。此外,我们表明,著名的合并和减少流的范例是adversarially强大的。由于合并和减少范例允许coreset建设在流设置,因此,我们获得强大的算法$k$ -手段,$k$ -中位数,$k$ -中心,布雷格曼聚类,投影聚类,主成分分析(PCA)和非负矩阵分解。据我们所知,这些是第一个对抗性强的结果,这些问题还不需要新的算法实现。最后,我们经验性地证实了我们的算法对各种对抗攻击的鲁棒性,并证明了相比之下,一些常见的现有算法是不鲁棒的。(摘要缩短以满足arXiv限制)
2021-10-26 cs.DS cs.LG
Correlation Clustering and (De)Sparsification: Graph Sketches Can Match Classical Algorithms
针对相关性聚类经典算法进展难以移植到亚线性算法的问题,提出图去稀疏化范式,以黑盒方式成功将经典算法的收益移植到亚线性算法中。
2025-04-05 cs.DS
A Unified Approach for Clustering Problems on Sliding Windows
我们探讨了一般度量空间和欧氏空间中的流滑动窗口模型的聚类问题。我们提出了第一个多对数空间$O(1)$ -近似的度量$k$ -中位数和度量$k$ -意味着问题的滑动窗口模型,回答了主要的开放问题所提出的巴布科克,数据,Motwani和O 'Callaghan,这仍然没有回答了十多年。我们的算法使用$O(k^3 \log^6 n)$空间和$\operatorname{poly}(k, \log n)$更新时间。这是一个指数级的改进,由于Babcock等人的技术所需的空间。我们引入了一个数据结构,扩展了光滑的直方图介绍了Braverman和Ostrovsky操作更广泛的一类功能。特别是,我们表明,仅使用多对数空间,我们可以保持当前窗口的摘要,从该窗口中,我们可以构建一个$O(1)$近似聚类解决方案。合并归约是计算几何中的一种通用方法,用于使离线算法适应仅插入流模型。几个著名的coreset结构主要是在插入只流模型使用这种方法,包括著名的coreset技术的$k$ -中位数,$k$ -手段在低维和高维欧氏空间。之前的工作已经将这些技术应用于插入-删除模型,但将它们转化为滑动窗口模型仍然是一个挑战。我们给出的第一个算法,给定一个插入只流coreset建设的空间$s$,保持一个$(1\pmε)$ -近似coreset的滑动窗口模型使用$O(s^2ε^{-2}\log n)$空间。对于聚类问题,…
2015-04-21 cs.DS
Nearly Optimal Dynamic $k$-Means Clustering for High-Dimensional Data
Princeton University(普林斯顿大学);Columbia University(哥伦比亚大学)
我们认为$k$ -均值聚类问题中的动态流设置,其中点从离散欧几里德空间$\{1, 2, \ldots, Δ\}^d$可以动态插入或删除的数据集。对于这个问题,我们提供了一个一遍coret构造算法使用空间$\tilde{O}(k\cdot \mathrm{poly}(d, \logΔ))$,其中$k$是目标中心数。据我们所知,这是$k$的第一个动态几何数据流算法-意味着在$k$中使用空间多项式维数和近似最优(线性)。
2019-02-07 cs.DS cs.LG stat.ML
Sublinear Algorithms for MAXCUT and Correlation Clustering
我们研究了两个基本的图形问题,MAXCUT和相关聚类的次线性算法。我们的重点是构建核心集,以及开发这些问题的流算法。对于这些问题,已知用于稠密图的常数空间算法,而对于稀疏图存在$Ω(n)$下限(在流设置中)。本文的目标是弥合这两个极端之间的差距。我们的第一个结果是构造核心集的大小$\tilde{O}(n^{1-δ})$的问题,在图的平均度$n^δ$(任何$δ>0$)。在指数时间假设(ETH)下,这是最优的。我们的核心集分析是基于研究随机诱导子问题的优化问题。据我们所知,我们的参数范围内的所有已知结果都依赖于近似正则性假设。我们避免这些使用有偏的采样方法,我们分析使用最近的结果,浓度的二次函数。然后,我们表明,我们的建设产生一个2通流$(1+ε)$ -近似这两个问题,该算法使用$\tilde{O}(n^{1-δ})$空间,图形的平均度$n^δ$。
2018-02-20 cs.DS
Clustering Categorical Data: Soft Rounding k-modes
Rutgers University(罗格斯大学)
针对经典k-modes算法在自然生成块模型中较大参数范围表现不佳的问题,提出软舍入变体SoftModes,理论证明其弥补原算法缺陷,实验验证其在合成与真实数据集上表现优异。
2023-10-07 cs.DS cs.LG
$k$-Center Clustering with Outliers in the MPC and Streaming Model
给定一个点集$P \subseteq X$,其大小为$n$,在一个具有双倍维数$d$和两个参数$k \in N$和$z \in N$的度量空间$(X,dist)$中,具有$z$离群值的$k$ -中心问题要求返回一个$k$中心集$C^\ast \subseteq X$,使得$P$中除了$z$点之外的所有点到它们在$C^\ast$中最近的中心的最大距离最小。这个问题的一个$(ε,k,z)$ -核心集是一个加权点集$P^*$,使得在$P^*$上具有$z$离群值的$k$ -中心问题的最优解给出了在$P$上具有$z$离群值的$k$ -中心问题的$(1\pmε)$ -近似.我们研究了大规模并行计算(MPC)模型中,以及在插入只有以及完全动态流模型的核心集的建设。对于任何给定的$0 < ε\le 1$,我们得到以下结果:在所有情况下,计算的coreset的大小是$O(k/ε^d+z)$。- 在MPC模型中,我们提出了一种确定性$2$轮和随机化$1$轮算法.此外,我们提供了一个确定性的算法,获得轮数,$R$和每台机器的存储之间的权衡。- 对于只插入流模型,我们提出了一个算法和一个紧的下界来支持它。-我们还讨论了动态流模型,它允许在数据流中插入和删除。在这个模型中,我们提出了第一个算法和一个下界。- 最后,我们考虑滑动窗口模型,其中我们有兴趣为流中的最后一个$W$点保持一个$(ε,k,z)$ -co…
2023-02-24 cs.CG cs.DS
Improved Algorithms for Time Decay Streams
在数据流的时间衰减模型中,底层数据集的元素顺序到达,最近到达的元素更重要。处理大型数据集的一种常见方法是维护一个\emph{coreset},它是对处理后的数据的一个简明摘要,允许近似地恢复预定的查询。我们提供了一个一般的框架,采取任何离线coreset,并给出了一个时间衰减coreset的多项式时间衰减函数。我们还考虑指数时间衰减模型的$k$ -中值聚类,在那里我们提供了一个常数因子近似算法,利用在线设施定位算法。我们的算法存储$\mathcal{O}(k\log(hΔ)+h)$点,其中$h$是衰减函数的半衰期,$Δ$是数据集的纵横比。我们的技术扩展到$k$均值聚类和$M$估计以及。
2019-07-17 cs.DS
Dynamic Correlation Clustering in Sublinear Update Time
Google Research(谷歌研究院);Columbia University(哥伦比亚大学)
针对动态节点流中的相关聚类,本文提出以 O(polylog n) 摊还更新时间维持 O(1)-近似的算法,改进了此前节点流中的 O(D) 更新时间,并用真实数据实验验证。
2024-06-13 cs.DS cs.LG
Solving $k$-center Clustering (with Outliers) in MapReduce and Streaming, almost as Accurately as Sequentially
基于中心的聚类是数据分析的基础,对于大型数据集来说变得非常具有挑战性。在本文中,我们专注于流行的$k$ -中心变量,给定一组$S$的点从一些度量空间和一个参数$k<|S|$,需要确定一个子集的$k$中心在$S$最小化的最大距离的任何点的$S$从其最近的中心。一个更一般的公式,介绍了处理噪声数据集,具有进一步的参数$z$,并允许高达$z$点的$S$(离群值)被忽略时,计算最大距离的中心。我们提出了基于核心集的2轮MapReduce算法的上述两个公式的问题,和1-通过流算法的情况下,离群值。对于任何固定的$ε>0$,算法产生的解决方案,其近似比是一个纯粹的加法项$ε$远离那些可实现的最知名的多项式时间顺序算法,结果大大提高后的国家的最先进的。我们的算法是相当简单,并适应于数据集的内在复杂性,捕获的双维度$D$的度量空间。具体来说,我们的分析表明,该算法变得非常空间效率的小(常数)$D$的重要情况下。这些理论结果得到了一组在真实世界和超过10亿个点的合成数据集上进行的实验的补充,这些实验表明,我们的算法在具有出色的可扩展性的同时,可以产生比现有算法更高质量的解决方案,并且它们还可以比现有算法更快地顺序实现。
2021-06-01 cs.DC cs.DS
Streaming, Memory Limited Algorithms for Community Detection
在本文中,我们考虑由有限数量的非重叠社区组成的稀疏网络,即不相交的集群,因此集群内的密度高于集群之间的密度。当图的大小变大时,簇内和簇间的边缘密度都消失了,这使得簇重建问题更加麻烦,因此难以解决。我们感兴趣的是网络规模非常大的场景,因此图的邻接矩阵很难操作和存储。邻接矩阵的列顺序显示的数据流模型构成了这种设置中的自然框架。对于这个模型,我们开发了两种新的聚类算法,提取聚类渐近准确。第一种算法是{ \it offline},因为它需要存储和保持节点到集群的分配,并且需要随网络大小线性扩展的内存。第二个算法是{ \it online},因为它可以在显示相应列时对节点进行分类,然后丢弃此信息。该算法要求内存随网络规模呈次线性增长。为了构建这些高效的流存储器有限的聚类算法,我们首先解决的问题,部分信息的聚类,只有一小部分的列的邻接矩阵的观察和开发,对于这种设置,一个新的谱算法,这是独立的利益。
2014-11-03 cs.DS cs.SI
BETULA: Numerically Stable CF-Trees for BIRCH Clustering
TU Dortmund University(多特蒙德工业大学)
BIRCH聚类是一种广为人知的聚类方法,它影响了许多后续的研究和商业产品。BIRCH的主要贡献是聚类特征树(CF树),它是输入数据的压缩表示。当新数据到达时,树最终被重建以增加压缩。然后,使用树的叶子进行聚类。由于采用了数据压缩的方法,该方法具有很好的可扩展性。这个想法已经被用于例如k-means,数据流和基于密度的聚类。BIRCH使用的聚类特征是简单的汇总统计量,可以很容易地用新数据更新:点数、线性和和平方值之和。不幸的是,如何在BIRCH中使用平方和很容易导致灾难性的取消。我们引入了一个替换集群功能,它没有这个数值问题,维护成本也不会高得多,而且它使许多计算更简单,因此更有效。这些聚类特征也可以很容易地用于BIRCH的其他工作,例如流数据的算法。在实验中,我们演示了数值问题,并比较了原始算法的性能相比,改进的聚类特征。
2020-06-23 cs.DS cs.LG stat.ML