Stochastic mean-shift clustering
Afeka Tel-Aviv Academic College of Engineering(阿菲卡特拉维夫工程学院);Avignon University(阿维尼翁大学)
本文提出随机均值漂移聚类算法,使数据点集体攀登至分布众数,在合成高斯数据上多数情况下优于确定性均值漂移,以聚类纯度和类别数据纯度衡量。
2023-12-25 cs.LG
Quantum Annealing for Variational Bayes Inference
Google(谷歌);University of Tokyo(东京大学)
研究了一种基于量子退火的变分贝叶斯(QAVB)推理的确定性退火算法,该算法可以看作是变分贝叶斯模拟退火(SAVB)推理的扩展. QAVB和SAVB一样容易实现。实验结果表明,QAVB发现一个更好的局部最优比SAVB的变分自由能在潜在的狄利克雷分配(LDA)。
2014-08-09 cs.LG stat.ML
Real-time Hybrid System Identification with Online Deterministic Annealing
Division of Decision and Control Systems, School of Electrical Engineering and Computer Science, KTH Royal Institute of Technology, Stockholm(决策与控制系统系,电气工程与计算机科学学院,皇家理工学院,斯德哥尔摩)
本文提出一种基于双时间尺度随机逼近的实时辨识方法,通过在线确定性退火逐步估计切换信号与模式数量,适用于分段仿射及一般切换系统,兼顾计算效率与性能-复杂度权衡,仿真验证有效。
2025-09-25 cs.LG cs.SY eess.SY
CKmeans and FCKmeans : Two deterministic initialization procedures for Kmeans algorithm using a modified crowding distance
LISIA Laboratory, NTIC faculty, university of Constantine2(康斯坦丁第二大学NTIC学院LISIA实验室)
本研究针对K-means聚类初始化问题,提出基于改进拥挤距离的确定性初始化方法CKmeans和FCKmeans,选取更拥挤点为初始质心,实验证明其聚类准确率优于Kmeans与Kmeans++,为改进K-means提供新方向。
2023-05-01 cs.LG
ScRAE: Deterministic Regularized Autoencoders with Flexible Priors for Clustering Single-cell Gene Expression Data
IIT Delhi(德里印度理工学院);TIFR(塔塔基础研究所)
聚类单细胞RNA序列(scRNA-seq)数据由于其高维性和数据稀疏性(也称为“脱落”事件)而带来统计和计算挑战。最近,基于正则化自动编码器(Regularized Auto-Encoder,RAE)的深度神经网络模型在学习鲁棒的低维表示方面取得了显著的成功。RAES的基本思想是学习从高维数据空间到低维潜在空间的非线性映射,反之亦然,同时在潜在空间上施加分布先验,这带来了正则化效果。本文认为,RAES遭受臭名昭著的问题,偏差方差权衡在他们的天真制定。虽然没有潜在正则化的简单AE会导致数据过度拟合,但非常强的先验会导致代表性不足,从而导致聚类不佳。为了解决上述问题,我们提出了一个修改的RAE框架(称为scRAE)的单细胞RNA测序数据的有效聚类。scRAE由确定性AE和可灵活学习的先验生成器网络组成,该网络与AE联合训练。这有助于scRAE在潜在空间中的偏差和方差之间更好地权衡。我们通过对几个真实世界的单细胞基因表达数据集进行广泛的实验来证明所提出的方法的有效性。
2021-07-16 cs.LG
Deterministic Feature Selection for $k$-means Clustering
IBM T.J. Watson Research Center(IBM T.J. 沃森研究中心);Rensselaer Polytechnic Institute(伦斯勒理工学院)
研究了$k$均值聚类的特征选择问题。虽然文献中包含许多具有良好经验性能的方法,但具有可证明理论行为的算法只是最近才开发出来。不幸的是,这些算法是随机的,失败的概率是恒定的。我们解决这个问题,提出了一个确定性的特征选择算法的k-均值理论保证。在我们的算法的核心在于一个确定性的方法分解的身份。
2013-06-21 cs.DS cs.LG
Autonomy-Aware Clustering: When Local Decisions Supersede Global Prescriptions
Department of Mechanical Engineering(机械工程系);Indian Institute of Technology Delhi(印度理工学院德里);Coordinated Science Laboratory(协调科学实验室);University of Illinois Urbana–Champaign(伊利诺伊大学厄巴纳-香槟分校)
针对实体局部自主性影响聚类结果的问题,提出自主性感知聚类框架,结合强化学习与确定性退火,并引入自适应距离估计网络,无需显式模型即可将聚类误差从约35-40%降至3-4%。
2025-10-08 cs.AI cs.LG
Clustering Binary Data by Application of Combinatorial Optimization Heuristics
University of Costa Rica(哥斯达黎加大学);Costa Rica Institute of Technology(哥斯达黎加理工学院)
我们研究二进制数据的聚类方法,首先定义聚集标准,衡量集群的紧凑性。介绍了五种新颖的基于邻域和群体行为的组合优化方法:模拟退火、阈值接受和禁忌搜索,遗传算法和蚁群算法。实施的方法,执行适当的校准参数的情况下,化学,以确保良好的结果。从一组由准蒙特卡罗实验生成的16个数据表中,使用L1相异度,分层聚类和一个版本的k均值:围绕中心点或PAM分区,对其中一个聚合进行比较。模拟退火的性能非常好,特别是与经典方法相比。
2020-01-06 cs.LG stat.ML
Multi-Resolution Online Deterministic Annealing: A Hierarchical and Progressive Learning Architecture
University of Maryland(马里兰大学);Institute for Systems Research(系统研究所)
分层学习算法逐渐逼近数据驱动的优化问题的解决方案是决策系统的关键,特别是在时间和计算资源的限制下。在这项研究中,我们引入了一个通用的分层学习架构,这是基于一个可能的多分辨率数据空间的渐进分区。通过求解一系列优化子问题来逐渐逼近最优分区,这些优化子问题产生具有增加的子集数量的分区序列。我们表明,每个优化问题的解决方案可以估计在线使用无梯度随机逼近更新。因此,函数逼近问题可以在分区的每个子集内定义,并使用双时标随机近似算法理论来解决。这模拟了退火过程,并定义了一个强大的和可解释的探试法,以逐步增加学习架构的复杂性,在任务不可知的方式,强调区域的数据空间,被认为是更重要的根据预定义的标准。最后,通过在分区的进展中施加树结构,我们提供了一种将数据空间的潜在多分辨率结构纳入这种方法的方法,显著降低了其复杂性,同时引入了类似于某些类别的深度学习架构的分层可变速率特征提取属性。渐近收敛分析和实验结果提供了监督和无监督学习的问题。
2023-03-21 cs.AI cs.LG cs.SY
An empirical comparison between stochastic and deterministic centroid initialisation for K-Means variations
University of Sheffield(谢菲尔德大学);Numerical Algorithms Group (NAG)(数值算法集团(NAG))
K-Means是最常用的数据聚类算法之一,也是基准测试的常用聚类方法。尽管它的广泛应用,它是众所周知的,它遭受了一系列的缺点;它只能找到局部极小值和初始聚类中心(质心)的位置可以大大影响聚类解决方案。多年来,已经提出了许多K-Means变化和初始化技术,具有不同程度的复杂性。在这项研究中,我们专注于常见的K均值变化以及一系列确定性和随机初始化技术。我们发现,平均而言,更复杂的初始化技术减轻了复杂的聚类方法的需要。此外,确定性方法的性能优于随机方法。然而,有一个权衡:不太复杂的随机方法,多次执行,可以产生更好的聚类。考虑到执行时间,确定性方法可以是有竞争力的,并产生良好的集群解决方案。这些结论是通过使用一系列合成模型生成器和真实世界数据集进行广泛的基准测试获得的。
2021-02-27 cs.LG stat.ML
Quantum Annealing for Variational Bayes Inference
University of Tokyo(东京大学);Google(谷歌);The University of Tokyo(东京大学)
研究了一种基于量子退火的变分贝叶斯(QAVB)推理的确定性退火算法,该算法可以看作是变分贝叶斯模拟退火(SAVB)推理的扩展. QAVB和SAVB一样容易实现。实验结果表明,QAVB发现一个更好的局部最优比SAVB的变分自由能在潜在的狄利克雷分配(LDA)。
2009-05-28 cond-mat.dis-nn cond-mat.stat-mech cs.LG
Sparse clustering via the Deterministic Information Bottleneck algorithm
Imperial College London(伦敦帝国理工学院);Democritus University of Thrace(德谟克利特大学)
本文提出一种信息论框架,解决稀疏数据下的特征加权与聚类问题,通过合成数据和基因组数据验证了方法的有效性。
2026-04-11 cs.LG stat.ML
Variational Tempering
Columbia University(哥伦比亚大学);Princeton University(普林斯顿大学)
变分推断结合数据二次采样可以在大数据集上进行近似后验推理,但存在局部最优性差的问题。首先,我们制定了一个确定性退火方法的一般类的条件共轭指数族模型。这种方法使用了一个降低的温度参数,确定性变形的过程中的优化目标。这种退火方法的一个众所周知的缺点是冷却时间表的选择。因此,我们引入变分回火,变分算法,引入了一个温度潜变量的模型。在对比马尔可夫链蒙特卡罗文献中的相关工作,该算法的结果在自适应退火时间表。最后,我们开发了局部变分回火,它为每个数据点分配了一个潜在温度;这允许动态退火在数据中变化。与传统的VI相比,所有提出的方法都可以在保持数据上找到改进的预测可能性。
2016-05-28 cs.LG stat.ML
Entropy Regularized Power k-Means Clustering
Indian Statistical Institute(印度统计研究所);Duke University(杜克大学)
尽管其众所周知的缺点,$k$ -手段仍然是最广泛使用的数据聚类方法之一。目前的研究继续解决其缺陷,同时试图保持其简单性。最近,提出了\textit{power $k$-means}算法,通过对一族更光滑的表面进行退火来避免陷入局部极小。然而,这种方法缺乏理论依据,并且在许多特征不相关的高维情况下失败。本文通过引入\textit{entropy regularization}来学习退火时的特征相关性来解决这些问题。我们证明了所提出的方法的一致性,并推导出一个可扩展的优化最小化算法,享有封闭形式的更新和收敛保证。特别是,我们的方法保留了相同的计算复杂度的$k$ -手段和权力$k$ -手段,但产生显着的改善。它的优点是彻底评估一套真实的和合成的数据实验。
2020-01-10 cs.LG stat.ML
On Deterministic Conditions for Subspace Clustering under Missing Data
Purdue University(普渡大学);Tufts University(塔夫茨大学)
在本文中,我们提出了确定性条件下的稀疏子空间聚类(SSC)的成功缺失的数据,当数据被假定为来自一个联盟的子空间(UoS)模型。我们考虑两种算法,这是SSC的变体与条目式零填充,不同的优化问题,用于找到亲和矩阵谱聚类。对于这两种算法,我们提供了确定性的条件,任何模式的缺失数据,这样可以实现完美的聚类。我们提供了大量的模拟结果,聚类以及在缺失条目的数据完成,根据UoS模型。我们的实验结果表明,在对比完整的数据情况下,准确的聚类并不意味着准确的子空间识别和完成,表明这些问题的相对硬度的自然顺序。
2016-07-11 cs.IT cs.LG math.IT
Stochastic Subnetwork Annealing: A Regularization Technique for Fine Tuning Pruned Subnetworks
Colorado State University(科罗拉多州立大学)
本文提出随机子网络退火正则化技术,用随机掩码和概率退火替代离散剪枝,以在高稀疏度下更平滑稳健地微调剪枝子网络。
2024-01-16 cs.LG
Cascade of Phase Transitions for Multi-Scale Clustering
Université Paris-Saclay(巴黎萨克雷大学);CNRS(法国国家科学研究中心);Institut d’astrophysique spatiale(空间天体物理研究所);INRIA Saclay(法国国家信息与自动化研究所萨克雷分部);Laboratoire de recherche en informatique(计算机科学研究实验室);Universidad Complutense(马德里康普顿斯大学)
我们提出了一个新的框架,利用级联的相变过程中发生的模拟退火的期望最大化算法聚类数据集与多尺度结构。使用加权的局部协方差,我们可以提取,后验和没有任何先验知识,在不同尺度的集群的数量及其大小的信息。我们还研究了迭代方案的线性稳定性,推导出第一次过渡发生的阈值,并展示了如何近似下一个。最后,我们将模拟退火与正则化高斯混合模型的最新发展相结合,从空间结构化数据集中学习主图,这些数据集也可以表现出许多尺度。
2020-10-15 cond-mat.dis-nn cond-mat.stat-mech cs.LG
On the Persistence of Clustering Solutions and True Number of Clusters in a Dataset
University of Illinois at Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校);University of Michigan, Ann Arbor(密歇根大学安娜堡分校)
通常,聚类算法提供具有预先指定的聚类数目的聚类解决方案。由于缺乏对数据集中底层聚类的真实数量的先验知识,因此重要的是要有一个度量来比较具有不同数量聚类的聚类解决方案。本文量化了集群解决方案的持久性概念,可以比较具有不同数量集群的解决方案。持久性涉及的范围内的数据分辨率尺度的聚类解决方案持续存在,它是量化的最大值超过两个范数的所有相关的集群协方差矩阵。因此,我们将一组聚类解决方案中的每个元素的持久性值与不同数量的聚类相关联。我们表明,自然集群是先验已知的数据集,识别自然集群的聚类解决方案是最持久的-以这种方式,这个概念可以用来识别解决方案的真正数量的集群。在多种标准数据集和人工数据集上的实验表明,该指标在准确识别具有真实聚类数的聚类解方面优于现有的方法,如间隙统计方法、$X$-均值、$G$ -均值、$PG$ -均值、dip-means算法和信息论方法.有趣的是,我们的方法可以解释在确定性退火算法中的相变现象,其中不同的集群中心的数量相对于退火参数的变化(分叉)。
2018-11-16 cs.AI cs.LG stat.ML
Learning Dynamics in Linear VAE: Posterior Collapse Threshold, Superfluous Latent Space Pitfalls, and Speedup with KL Annealing
University of Tokyo(东京大学);Fujitsu Limited(富士通株式会社)
本研究理论分析了线性 VAE 的学习动力学,证明了后验崩溃存在 $β$ 阈值,揭示了冗余潜在变量会导致背景噪声过拟合,并发现适当调优的 KL 退火可加速收敛。
2023-10-24 cond-mat.dis-nn cs.LG math.ST
Sector-Mean: Deterministic Initialization of K-Means Centroids via Angular Sector Partitioning
Kathmandu University(加德满都大学)
本文提出Sector-Mean,一种基于角扇区分割的O(N)确定性K-Means初始化方法,在保持与K-Means++和Max-Min相当的聚类质量下,显著降低初始化时间并减少迭代次数。
2026-09-09 cs.LG
Clustering With Side Information: From a Probabilistic Model to a Deterministic Algorithm
University of Illinois, Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校);Google(谷歌)
在本文中,我们提出了一种基于模型的聚类方法(TVClust),鲁棒地将噪声边信息作为软约束,旨在寻求边信息和观测数据之间的共识。我们的方法是基于一个非参数贝叶斯分层模型,该模型结合了数据实例的概率模型和边信息的概率模型。提出了一种有效的吉布斯抽样后验推理算法。使用我们的概率模型的小方差渐近性,然后,我们推导出一个新的确定性聚类算法(RDP-means)。它可以被视为K均值的扩展,允许包含边信息,并具有不需要先验指定聚类数的附加属性。已经进行了实证研究,比较我们的工作与许多约束聚类算法的文献上的各种数据集和各种条件下,如使用嘈杂的边信息和错误的k值。我们的实验结果表明,在这些条件下,我们的概率和确定性的方法相比,在文献中的其他算法强有力的结果。
2015-10-31 cs.AI cs.LG stat.CO
Deterministic Initialization of the K-Means Algorithm Using Hierarchical Clustering
Louisiana State University(路易斯安那州立大学);Georgia Institute of Technology(佐治亚理工学院)
K-means无疑是使用最广泛的分区聚类算法。不幸的是,由于其梯度下降的性质,该算法是高度敏感的初始位置的聚类中心。已经提出了许多初始化方法来解决这个问题。然而,这些方法中的许多方法在数据点的数量上具有超线性复杂性,使得它们对于大数据集不切实际。另一方面,线性方法通常是随机和/或顺序敏感的,这使得它们的结果不可重复。最近,Su和Dy提出了两种非常成功的分层初始化方法,称为Var-Part和PCA-Part,它们不仅是线性的,而且是确定性(非随机)和顺序不变的。在本文中,我们提出了一种基于判别分析的方法,解决了这两种方法的共同不足。在来自UCI机器学习库的大量不同数据集上的实验表明,Var-Part和PCA-Part与迄今为止最好的随机初始化方法之一具有高度竞争力,即,k-means++,并且所提出的方法显著提高了两种分层方法的性能。
2013-04-28 cs.CV cs.LG
Partitioning Relational Matrices of Similarities or Dissimilarities using the Value of Information
University of Florida(佛罗里达大学)
在本文中,我们提供了一种方法来聚类的关系矩阵,其条目对应于对象之间的相似性或不相似性。我们的方法是基于信息的价值,一个参数化的,信息理论的标准,衡量成本的变化与信息的变化。优化信息的价值会产生一种具有许多好处的确定性退火聚类风格。例如,研究人员避免需要先验地指定簇的数量,因为分区在退火过程中自然地经历相变,由此簇的数量以数据驱动的方式变化。通常也可以识别全局最佳分区。
2017-10-28 cs.AI cs.LG stat.ML
Differentiable Information Bottleneck for Deterministic Multi-view Clustering
School of Computer and Artificial Intelligence, Zhengzhou University(郑州大学计算机与人工智能学院)
提出可微信息瓶颈(DIB)方法,利用归一化核Gram矩阵直接拟合互信息,训练确定性多视图神经网络并结合三元组一致性发现机制,在6个基准上优于13个基线方法。
2024-03-23 cs.IT cs.LG math.IT
DAOC: Stable Clustering of Large Networks
University of Fribourg(弗里堡大学)
聚类是许多涉及分析和探索各种数据的数据采掘系统的重要组成部分。数据多样性要求聚类算法在提供稳定(即,确定性和鲁棒性)的结果。此外,现代系统通常使用大型数据集进行操作,这隐含地限制了聚类算法的复杂性。然而,现有的聚类技术只是部分稳定的,因为它们保证了确定性或鲁棒性。为了解决这个问题,我们介绍了DAOC,一个确定性和凝聚重叠聚类算法。DAOC利用一种称为重叠分解的新技术,以确定性的方式识别细粒度的集群,捕获多个最优值。此外,它利用一种新的共识方法,相互最大增益,以确保鲁棒性,并进一步提高结果的稳定性,同时仍然能够识别微尺度集群。我们在合成网络和真实网络上的经验结果表明,DAOC产生稳定的集群,同时平均比最先进的确定性算法准确25%,而不需要任何调整。我们的方法的目标是大大简化和加快数据分析任务,包括迭代处理(需要确定性)以及数据波动(需要鲁棒性),并提供准确和可重复的结果。
2019-12-17 cs.DS cs.LG cs.SI
Linear, Deterministic, and Order-Invariant Initialization Methods for the K-Means Clustering Algorithm
Louisiana State University(路易斯安那州立大学);Georgia Institute of Technology(佐治亚理工学院)
在过去的五十年里,k-means已经成为许多应用领域的首选聚类算法,主要是由于其简单性,时间/空间效率和对数据点排序的不变性。然而,该算法对聚类中心初始选择的敏感性仍然是其最严重的缺点。已经提出了许多初始化方法来解决这个缺点。然而,这些方法中的许多方法在数据点的数量上具有超线性的时间复杂度,这使得它们对于大型数据集不切实际。另一方面,线性方法通常是随机的和/或对数据点的排序敏感。这些方法通常不可靠,因为其结果的质量是不可预测的。因此,通常的做法是执行此类方法的多次运行,并获取产生最佳结果的运行的输出。然而,这种做法大大增加了原本高效的k-means算法的计算要求。在本章中,我们研究了六种线性、确定性(非随机)和顺序不变的k-means初始化方法在UCI机器学习库中大量不同数据集上的经验性能。结果表明,两个相对未知的分层初始化方法,由于苏和Dy优于其余四种方法的两个客观有效性标准。此外,Erisoglu等人最近的一种方法表现得令人惊讶地差。
2014-09-12 cs.CV cs.LG
Pareto-optimal clustering with the primal deterministic information bottleneck
Massachusetts Institute of Technology(麻省理工学院);The NSF AI Institute for Artificial Intelligence and Fundamental Interactions(美国国家科学基金会人工智能与基础交互研究所)
有损压缩和聚类的核心是学习表示的保真度和大小之间的权衡。我们的目标是绘制和研究量化这种权衡的帕累托边界。我们专注于优化的确定性信息瓶颈(DIB)的硬聚类空间的目标。为此,我们介绍了原始DIB问题,我们在一个更丰富的前沿比以前研究的拉格朗日松弛离散搜索空间优化时,显示结果。我们提出了一种算法,用于映射出原始DIB权衡的帕累托前沿,也适用于其他两个目标的聚类问题。我们研究一般性质的帕累托前沿,我们给出了分析和数值证据的对数稀疏的前沿一般。我们提供的证据表明,我们的算法具有多项式缩放,尽管超指数搜索空间,此外,我们提出了一个修改的算法,可用于采样噪声预计是显着的。最后,我们使用我们的算法映射DIB边界的三个不同的任务:压缩英文字母,提取信息丰富的颜色类从自然图像,并压缩一组理论启发的数据集,揭示有趣的功能的前沿,并演示如何的结构的前沿可以用于模型选择,重点放在以前隐藏的凸包的斗篷点。
2022-07-28 cs.IT cs.LG math.IT
A Deterministic Information Bottleneck Method for Clustering Mixed-Type Data
Department of Mathematics, Imperial College London, London, United Kingdom(伦敦帝国学院数学系);School of Education, Democritus University of Thrace, Greece(德莫克利特斯大学教育学院)
本文提出DIBmix方法,通过信息瓶颈原理处理混合类型数据聚类,解决带宽选择和超参数更新问题,在大小不平衡和重叠数据中表现优异。
2026-01-29 cs.LG stat.ME stat.ML
Dynamic Consistent $k$-Center Clustering with Optimal Recourse
University of Salzburg(萨尔茨堡大学)
本文研究完全动态设置下的 k-中心聚类问题,提出最坏情况每次更新 recourse 仅为 1 的确定性常数因子近似算法,并给出新的递增与递减算法,改进了已有结果。
2025-06-03 cs.DS cs.LG
A Bayesian non-parametric method for clustering high-dimensional binary data
Systems Biology Ireland(爱尔兰系统生物学);University College Dublin(都柏林大学)
在许多现实生活中的问题,对象描述了大量的二进制功能。例如,文档的特征在于存在或不存在某些关键字;癌症患者的特征在于存在或不存在某些突变等。在这种情况下,基于这种高维二进制特征将类似的对象/配置文件分组在一起是可取的,但具有挑战性。在这里,我提出了一个贝叶斯非参数算法聚类高维二进制数据。它使用狄利克雷过程(DP)混合模型和模拟退火,不仅聚类二进制数据,而且还找到数据中的最佳聚类数。使用模拟数据集对算法的性能进行了评估,并与其他算法进行了比较。它优于所有其他聚类方法,在模拟研究中进行了测试。它还用于对来自文档分析、手写图像分析和癌症研究的真实数据集进行聚类。它成功地根据主题划分了一组文档,基于不同书写风格的手写图像,并确定了化疗治疗的组织和突变特异性。
2016-03-08 cs.LG stat.AP stat.ML
Clustering in Deep Stochastic Transformers
New York University(纽约大学);Google DeepMind(谷歌DeepMind);INRIA(法国国家信息与自动化研究所)
深度随机变换器中,初始化噪声导致标记在球面上形成相互作用粒子系统,而非单点聚类,且存在由相互作用强度和维度决定的相变现象。
2026-01-29 cs.LG stat.ML
Time Series Clustering with General State Space Models via Stochastic Variational Inference
Data Science and AI Innovation Research Promotion Center, Shiga University(滋贺大学数据科学与人工智能创新研究促进中心);Shiga University(滋贺大学)
本文提出基于通用状态空间模型混合(MSSMs)的时间序列聚类方法,利用随机变分推断和归一化流估计潜变量,并通过贝叶斯信息准则确定聚类数,首次实现了计算可行的通用状态空间模型聚类。
2024-08-22 cs.AI cs.LG
Toward Quantum Utility in Finance: A Robust Data-Driven Algorithm for Asset Clustering
University of Nevada, Las Vegas, Nevada, USA(内华达大学拉斯维加斯分校);University of Kaiserslautern-Landau (RPTU)(凯泽斯劳滕-兰道大学);German Research Center for Artificial Intelligence (DFKI)(德国人工智能研究中心)
本文提出GCS-Q算法,利用量子退火技术对带符号加权图进行稳健资产聚类,提升金融领域聚类质量与效率。
2025-09-13 cs.LG quant-ph
A Clustering Approach to Edge Controller Placement in Software Defined Networks with Cost Balancing
Coordinated Science Laboratory(协同科学实验室);University of Illinois at Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校)
在这项工作中,我们引入了两种新的基于确定性退火的聚类算法来解决边缘控制器放置(ECP)在无线边缘网络中的问题。这些网络是第五代(5G)无线系统及以后的核心。这些算法,ECP-LL和ECP-LB,解决了主导的无引线和基于引线的控制器布局拓扑结构,并具有线性计算复杂性的网络规模,最大数量的集群和数据的维数。每种算法都试图将控制器放置在靠近边缘节点集群的地方,而不是远离其他控制器,以保持同步和延迟成本之间的合理平衡。虽然ECP问题可以方便地表示为一个多目标混合整数非线性规划(MINLP),我们的算法优于最先进的MINLP求解器,男爵在精度和速度方面。我们提出的算法具有竞争力的优势,通过在聚类目标函数中的香农熵项,以避免不良的局部极小值。大多数ECP算法对局部极小值非常敏感,并且很大程度上依赖于初始化。
2019-12-05 cs.LG cs.NI stat.ML
Bregman Power k-Means for Clustering Exponential Family Data
Duke University(杜克大学);University of California, Berkeley(加州大学伯克利分校)
基于中心的聚类算法的最新进展是通过隐式退火,使用一系列的广义均值来对抗差的局部最小值。这些方法是劳埃德著名的$k$ -均值算法的变体,并且最适合于球形聚类,例如来自高斯数据的那些聚类。在本文中,我们桥这些算法的进步,经典的工作硬聚类下Bregman分歧,享受双射指数族分布,因此非常适合聚类对象所产生的广泛的数据生成机制。Bregman分歧的优雅特性使我们能够在一个简单而透明的算法中保持封闭形式的更新,并且还为建立有限样本边界带来了新的理论论据,这些边界放宽了现有技术中的有界支持假设。此外,我们考虑了对模拟实验和降雨数据的案例研究进行的全面实证分析,发现所提出的方法在各种非高斯数据设置中优于现有的对等方法。
2022-06-22 cs.LG math.ST stat.ME