贝叶斯层次混合聚类的后验正则化
Posterior Regularization on Bayesian Hierarchical Mixture Clustering
AI总结：
针对贝叶斯层次混合聚类（BHMC）高层节点分离度弱的问题，提出对各层节点施加最大间隔约束的后验正则化方法，有效提升了BHMC模型的聚类分离效果。
摘要：
贝叶斯层次混合聚类（BHMC）在生成过程中用层次狄利克雷过程混合模型（HDPMM）替代传统的高斯-高斯核进行父子扩散，改进了传统贝叶斯层次聚类。但BHMC可能生成节点方差较高的树，意味着高层节点间分离度较弱。为解决该问题，我们采用后验正则化（PR），对每一层节点施加最大间隔约束以增强聚类分离度。我们阐述了将PR应用于BHMC的方法，并证明了其在改进BHMC模型方面的有效性。
英文摘要：
Bayesian hierarchical mixture clustering (BHMC) improves traditionalBayesian hierarchical clustering by replacing conventional Gaussian-to-Gaussian kernels with a Hierarchical Dirichlet Process Mixture Model(HDPMM) for parent-to-child diffusion in the generative process. However,BHMC may produce trees with high nodal variance, indicating weak separation between nodes at higher levels. To address this issue, we employ Posterior Regularization, which imposes max-margin constraints on nodes at every level to enhance cluster separation. We illustrate how to apply PR toBHMC and demonstrate its effectiveness in improving the BHMC model.
机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。
