A Novel Design Specification Distance(DSD) Based K-Mean Clustering Performace Evluation on Engineering Materials Database
Mangalore University（芒格洛尔大学）
将数据组织成语义上更有意义的数据是理解和学习的基本模式之一。聚类分析是对理解方法和学习算法的形式化研究。K-均值聚类算法是最基本、最简单的聚类算法之一。当没有关于数据集分布的先验知识时，K-mean是初始聚类数聚类的首选。本文将一种新的距离度量--设计规范（DS）距离度量函数与K-均值聚类算法相结合，以提高聚类精度。在P = 1.525时，采用提出的距离度量的K-means算法最大化聚类准确率为99.98%，这是通过迭代过程确定的。比较了K-均值算法下的设计规范（DS）距离度量函数与其他标准距离函数（欧几里德、平方欧几里德、城市街区和Chebshew相似性度量）的性能，并在工程材料数据库上对所提方法进行了评价。聚类分析和孤立点分析实验表明，这是一个很好的改善所提出的方法的性能。
2013-01-02 cs.LG
A Review and Evaluation of Elastic Distance Functions for Time Series Clustering
School of Computing Sciences, University of East Anglia（东英吉利大学计算科学学院）
本文回顾并评估了九种弹性距离度量在时间序列聚类中的性能，发现结合编辑与规整的 MSM 方法表现最佳，推荐将 MSM 与 k-medoids 结合作为基准算法。
2023-04-26 cs.LG
DECWA : Density-Based Clustering using Wasserstein Distance
IRIT（图卢兹计算机科学研究所）
提出基于空间密度和概率方法的DECWA聚类算法，利用Wasserstein度量测量子簇概率密度函数间距离并聚集相似子簇，有效解决了低密度和相似密度簇的识别问题。
2023-10-25 cs.LG
K-Means Clustering With Incomplete Data with the Use of Mahalanobis Distances
University of Minnesota Duluth（明尼苏达大学德卢斯分校）
本文提出一种统一的K-means算法，用马氏距离替代欧氏距离处理缺失数据，在IRIS及椭圆簇合成数据集上以ARI和NMI指标验证其优于独立插补后聚类及K-Means with Incomplete Data方法。
2025-04-10 cs.LG
Fast and explainable clustering in the Manhattan and Tanimoto distance
Department of Mathematics, University of Manchester, United Kingdom（曼彻斯特大学数学系）
CLASSIX算法在曼哈顿和陶林顿距离下实现快速且可解释的聚类，显著提升速度并产生高质量聚类。
2026-01-13 cs.LG
Agglomerative Hierarchical Clustering with Dynamic Time Warping for Household Load Curve Clustering
Western University（西安大略大学）
能源公司经常实施各种需求响应（DR）计划，通过在关键时期为消费者提供减少需求的激励措施来更好地匹配电力需求和供应。根据客户的消费模式对客户进行分类，可以针对特定的消费者群体进行DR。传统的聚类算法使用标准的距离测量来找到两点之间的距离。聚类算法（如K-means、K-medoids和高斯混合模型）产生的结果取决于聚类参数或初始聚类。相比之下，我们的方法使用基于形状的方法，结合凝聚层次聚类（AHC）与动态时间弯曲（DTW）的住宅家庭的日常负荷曲线分类的基础上，他们的消费模式。虽然DTW寻求两个负载曲线之间的最佳对齐，但AHC提供了一个现实的初始聚类中心。在本文中，我们与其他聚类算法，如K-means，K-medoids，和GMM使用不同的距离措施的结果进行比较，我们表明，AHC使用DTW优于其他聚类算法，需要更少的集群。
2022-10-18 cs.LG
FairAD: Computationally Efficient Fair Graph Clustering via Algebraic Distance
Texas State University（德克萨斯州立大学）；Lamar University（拉马尔大学）
本文提出一种基于代数距离的计算高效公平图聚类方法 FairAD，通过构建亲和矩阵、图粗化与约束最小化实现公平聚类，速度较现有算法快40倍。
2025-10-31 cs.LG
Learning a Distance for the Clustering of Patients with Amyotrophic Lateral Sclerosis
Laboratoire LIFAT, Université de Tours（图雷大学LIFAT实验室）；Laboratoire LIFO, Université d'Orléans（奥尔良大学LIFO实验室）；Service de Biochimie et Biologie Moléculaire CHRU de Tours（图雷中心医院生物化学与分子生物学服务）；UMR U1253 iBrain, Université de Tours（图雷大学UMR U1253 iBrain）；Inserm（法国国家医学研究院）
提出一种基于疾病进展声明性分数的ALS患者聚类方法，整合医学专业知识并采用弱监督学习距离度量，在生存分析中优于现有方法且提升结果可解释性。
2025-11-03 cs.LG
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
Clustering and Analysis of GPS Trajectory Data using Distance-based Features
Singapore University of Technology and Design (SUTD)（新加坡科技设计大学）
智能手机的普及大大增加了可用移动数据的类型和数量，从而加速了移动研究。移动数据的一个这样的来源是来自全球定位系统技术，这是越来越普遍，并帮助研究界了解人们的移动模式。然而，缺乏标准化框架来使用机器学习方法研究工作日和非工作日的工作和非工作用户的非工作、非家庭位置所创建的不同移动模式。我们提出了一个新的移动性度量，每日特征距离，并使用它来生成功能，为每个用户与源-目的地矩阵功能。然后，我们使用这些功能与无监督机器学习方法，$k$均值聚类，并获得三个集群的用户为每种类型的一天（工作日和休息日）。最后，我们提出了两个新的指标，即用户共性和平均频率的聚类结果的分析。通过使用所提出的指标，有趣的用户行为，可以看出，它有助于我们更好地了解用户的移动模式。
2022-12-01 cs.LG
Bayesian Distance Clustering
University of Florida（佛罗里达大学）；Duke University（杜克大学）
基于模型的聚类被广泛应用于各种应用领域。然而，对稳健性的基本担忧仍然存在。特别是，结果可以是敏感的内核代表内集群数据密度的选择。利用数据点之间的成对差异的属性，我们提出了一类贝叶斯距离聚类方法，它依赖于建模的成对距离的可能性，而不是原始数据。虽然数据中的一些信息被丢弃，但我们对建模假设具有很大的鲁棒性。所提出的方法代表了一个有吸引力的中间地带之间的距离和基于模型的聚类，从这些典型的方法中的每一个借鉴的优势。我们说明了戏剧性的收益，推断集群的能力，通常的内核选择没有很好地表示。包括一个模拟研究，以评估相对于竞争对手的性能，我们应用的方法来聚类的大脑基因组表达数据。保留字：基于距离的聚类;混合模型;基于模型的聚类;模型规格错误;成对距离矩阵;部分可能性;鲁棒性
2019-06-25 cs.LG stat.ML
OmniFC: Rethinking Federated Clustering via Lossless and Secure Distance Reconstruction
Central University of Finance and Economics（中央财经大学）
针对联邦聚类中的隐私泄露与Non-IID数据鲁棒性问题，提出模型无关框架OmniFC，利用拉格朗日编码计算实现无损安全距离重构，兼顾隐私与聚类性能。
2025-10-25 cs.LG
A Comparison of Polynomial-Based Tree Clustering Methods
University of Rhode Island（罗德岛大学）；University of California（加州大学）；University of South Florida（佛罗里达州立大学）
本文比较了基于树区分多项式的不同距离在树聚类中的性能，发现基于入口级归一化距离的方法具有最高聚类准确率。
2026-01-13 cs.LG
Review and Perspective for Distance Based Trajectory Clustering
Datasio
在本文中，我们解决的问题，聚类轨迹的地理定位观测。使用聚类技术的基础上选择的观察之间的距离，我们首先提供了一个全面的审查文献中使用的不同的距离来比较轨迹。然后，基于这些方法的局限性，我们引入了一个新的距离：对称段路径距离（SSPD）。最后，我们比较了这个新的距离，根据其相应的聚类结果，使用层次聚类和亲和传播方法。
2015-08-20 cs.LG stat.AP stat.ML
A Comparative Study on Transfer Learning and Distance Metrics in Semantic Clustering over the COVID-19 Tweets
Islamic Azad University（伊斯兰阿扎德大学）；Iran University of Science and Technology（伊朗科技大学）
本文是在COVID-19数据的主题检测背景下的比较研究。话题检测的方法有很多种，本文选择了聚类方法。聚类需要距离，计算距离需要嵌入。本研究的目的是同时研究嵌入方法、距离度量和聚类方法三个因素及其相互作用。这项研究使用了一个数据集，其中包括一个月内收集的带有COVID-19相关标签的推文。在嵌入方法中，从早期的方法到新的方法，选择了五种方法：Word2Vec，fastText，GloVe，BERT和T5。本文研究了五种聚类方法：k-means，DBSCAN，OPTICS，光谱和Jarvis-Patrick。欧几里德距离和余弦距离作为最重要的距离度量在这一领域也进行了检查。首先，进行7,500多次测试来调整参数。然后，所有不同的嵌入方法与距离度量和聚类方法的组合进行了研究的轮廓度量。这些组合的数量为50例。首先，检查这50个测试的结果。然后，在该方法的所有测试中考虑每个方法的等级。最后，对本研究的主要变量（嵌入方法、距离度量和聚类方法）分别进行了研究。对控制变量进行平均以中和它们的影响。实验结果表明，T5在轮廓度量方面明显优于其他嵌入方法。在距离度量方面，余弦距离略好。DBSCAN在聚类方法方面也优于其他方法。
2021-11-16 cs.CL cs.LG
Clustering for high-dimension, low-sample size data using distance vectors
Osaka University（大阪大学）；Graduate School of Engineering Science, Osaka University（大阪大学工学研究科）
在高维低样本量（HDLSS）数据中，两个对象的接近程度并不总是反映隐藏的聚类结构。我们指出了一个重要的事实，它不是接近度，但距离的“值”包含的信息，在高维空间的集群结构。基于这一事实，我们提出了一个有效的和简单的聚类方法，称为距离向量聚类，HDLSS数据。在Hall et al.（2005）的工作中给出的假设下，我们证明了当维数趋于无穷大且样本量固定时，所提出的方法在较温和的条件下提供了真正的聚类标签。通过数值实验和实际数据分析，说明了距离向量聚类方法的有效性。
2013-12-25 cs.LG stat.ML
Expectation Distance-based Distributional Clustering for Noise-Robustness
Iowa State University（爱荷华州立大学）
本文提出了一种聚类技术，通过学习和聚类的数据分布，然后将数据分配到其分布的集群，以减少对数据噪声的敏感性。在此过程中，降低了噪声对聚类结果的影响。该方法涉及在分布之间引入新的距离，即期望距离（表示为ED），其超出了最佳质量传输的最新分布距离（表示为$2$ -Wasserstein的$W_2$）：后者本质上仅取决于边缘分布，而前者还使用关于联合分布的信息。利用ED，本文将经典的$K$ -means和$K$ -medoids聚类扩展到数据分布（而不是原始数据）上，并使用$W_2$引入$K$ -medoids。本文还给出了$W_2$和ED距离测度的封闭表达式。建议的ED和$W_2$距离措施聚类真实世界的天气数据，以及股票数据的实施结果，其中涉及有效地提取和使用的基础数据分布-高斯的天气数据与对数正态的股票数据。结果表明，显着的性能改善，与经典的原始数据的聚类，实现更高的准确性ED。此外，不仅基于分布的聚类提供更高的准确性，但它也降低了计算时间，由于降低了时间复杂度。
2023-03-14 cs.LG stat.ML
A clustering approach to time series forecasting using neural networks: A comparative study on distance-based vs. feature-based clustering methods
Jet Propulsion Laboratory（喷气推进实验室）
时间序列预测最近得到了很多关注，这是因为许多现实世界的现象可以建模为时间序列。大量的数据和计算机处理能力的最新进展使研究人员能够开发更复杂的机器学习算法，如神经网络来预测时间序列数据。在本文中，我们提出了各种神经网络架构来预测的时间序列数据使用的动态测量，此外，我们介绍了各种架构如何结合静态和动态测量预测。我们还调查了执行技术，如异常检测和聚类预测精度的重要性。我们的研究结果表明，聚类可以提高整体的预测时间，以及提高神经网络的预测性能。此外，我们表明，基于特征的聚类可以优于基于距离的聚类的速度和效率。最后，我们的研究结果表明，增加更多的预测因子来预测目标变量并不一定会提高预测精度。
2021-03-31 cs.LG stat.ML
Fuzzy clustering algorithms with distance metric learning and entropy regularization
Universidade Federal de Pernambuco（伯南布哥联邦大学）；Centro de Informática（信息中心）
聚类方法已被用于各种领域，如图像处理、数据采掘、模式识别和统计分析。通常，聚类算法认为所有变量对于聚类任务同等相关或不相关。然而，在实际情况中，一些变量可能是相关的，或者可能或多或少相关，甚至与此任务无关。本文提出了基于欧氏距离、城市块距离和马氏距离以及熵正则化的划分模糊聚类算法。这些方法是一个迭代的三步算法，它提供了一个模糊分区，代表每个模糊聚类，并通过最小化一个合适的目标函数的变量或它们的相关性的相关性权重。合成和真实数据集上的几个实验，包括其应用于噪声图像纹理分割，证明了这些自适应聚类方法的有用性。
2021-02-18 cs.AI cs.LG
Smoothed Multi-View Subspace Clustering
University of Electronic Science and Technology of China（电子科技大学）；Trusted Cloud Computing and Big Data Key Laboratory of Sichuan Province（四川省可信云计算与大数据重点实验室）
近年来，多视点子空间聚类由于利用了多视点间的互补信息，取得了令人瞩目的性能。然而，多视图数据可能非常复杂，并且在现实世界的应用中不容易聚类。大多数现有的方法对原始数据进行操作，并且可能无法获得最优解。在这项工作中，我们提出了一种新的多视图聚类方法命名为平滑多视图子空间聚类（SMVSC）采用一种新的技术，即，图过滤，以获得每个视图的平滑表示，其中相似的数据点具有相似的特征值。具体地说，它通过应用低通滤波器来保留图形的几何特征。因此，它产生了一个“集群友好”的表示，并大大方便了下游的集群任务。在基准数据集上的大量实验验证了该方法的优越性。分析表明，图过滤提高了类的可分性。
2021-06-18 cs.AI cs.CV cs.LG
CADM: Cluster-customized Adaptive Distance Metric for Categorical Data Clustering
School of Computing, Binghamton University（宾夕法尼亚大学计算学院）；Department of Computer Science, Hong Kong Baptist University（香港 Baptist 大学计算机科学系）
CADM提出了一种针对类别数据聚类的集群定制距离度量，能够根据不同簇中属性分布动态更新距离，并扩展至混合数据，实验表明其在多个数据集上表现优异。
2026-03-05 cs.LG stat.ML
Leachable Component Clustering
Guangxi Normal University（广西师范大学）；Huazhong University of Science and Technology（华中科技大学）
聚类试图将数据实例划分为几个不同的组，而属于公共分区的数据之间的相似性可以主要保留。此外，不完全数据在实际应用中经常出现，给模式分析带来不利影响。在此基础上，提出了数据填补和处理的具体方案，对数据的缺失值进行处理，并将独立的知识开发阶段纳入信息理解阶段。在这项工作中，提出了一种新的方法来聚类不完整的数据，称为沥滤成分聚类。与现有的方法不同，该方法采用贝叶斯对齐处理数据填补，并从理论上收集丢失的模式。由于方程的数值计算简单，该方法可以学习优化分区，同时保持计算效率。在几个人工不完全数据集上的实验表明，该方法能够表现出优于其他国家的最先进的算法的性能。
2022-08-28 cs.CV cs.LG stat.ML
Information Mandala: Statistical Distance Matrix with Clustering
Iwate University（岩手大学）
在机器学习中，观测特征在度量空间中被测量以获得它们的距离函数用于优化。给定作为总体在统计上足够的相似特征，可以计算两个概率分布之间的统计距离以用于更精确的学习。假设观察到的特征是多值的，统计距离函数仍然是有效的。然而，由于其标量输出，它不能应用于表示特征元素之间的详细距离。为了解决这个问题，本文将传统的统计距离扩展为矩阵形式，称之为统计距离矩阵。在实验中，所提出的方法在对象识别任务中表现良好，并且清晰直观地表示了CIFAR数据集中猫和狗图像之间的差异，即使直接使用图像像素计算也是如此。通过使用统计距离矩阵的层次聚类，图像像素可以被分成几个簇，这些簇围绕一个中心几何排列，就像曼陀罗图案。具有聚类的统计距离矩阵，称为信息曼陀罗，超出了普通的显着图，可以帮助理解卷积神经网络的基本原理。
2020-06-22 cs.LG stat.ML
A close-up comparison of the misclassification error distance and the adjusted Rand index for external clustering evaluation
Universidad de Extremadura（埃斯特雷马杜拉大学）
误分类误差距离和调整后的Rand指数是评价聚类算法性能的两个最常用的指标。本文对这两个标准进行了深入的比较，旨在更好地了解它们所测量的内容，它们的属性及其差异。从他们的人口来源开始，调查包括许多数据分析实例和非常详细的特定案例研究。一个详尽的模拟研究允许检查的标准分布，并揭示了一些以前的误解。
2019-07-26 cs.LG stat.ML
Efficient Clustering with Limited Distance Information
Boston University（波士顿大学）；Georgia Institute of Technology（佐治亚理工学院）；Maastricht University（马斯特里赫特大学）；University of Southern California（南加州大学）
给定一个点集S和一个未知的度量D上S，我们研究的问题，有效地划分成k个集群，同时查询点之间的距离很少。在我们的模型中，我们假设我们可以访问一个与所有查询，给定一个点s 2 S返回s和所有其他点之间的距离。我们表明，给定一个自然的假设的结构的实例，我们可以有效地找到一个准确的聚类只使用O（k）距离查询。我们使用我们的算法通过序列相似性对蛋白质进行聚类。这个设置非常适合我们的模型，因为我们可以使用一个快速的序列数据库搜索程序来查询整个数据集的序列。我们进行的实证研究表明，即使我们查询点之间的距离的一小部分，我们产生的聚类是接近所需的聚类由手动分类。
2014-08-09 cs.AI cs.LG
Probabilistic Multilevel Clustering via Composite Transportation Distance
University of California at Berkeley（加州大学伯克利分校）；Monash University（莫纳什大学）
我们提出了一种新的基于复合运输距离的多级聚类问题的概率方法，复合运输距离是运输距离的一种变体，其基本度量是Kullback-Leibler散度。我们的方法涉及到解决一个联合优化问题的概率措施，同时发现组内和组之间的分组结构的空间。通过利用我们的方法找到复合运输重心的问题的连接，我们开发快速，高效的优化算法，即使是潜在的大规模的多级数据集。最后，我们提出的实验结果与合成和真实的数据来证明所提出的方法的效率和可扩展性。
2018-10-29 cs.LG stat.ML
Biharmonic Distance of Graphs and its Higher-Order Variants: Theoretical Properties with Applications to Centrality and Clustering
School of Electrical Engineering and Computer Science, Oregon State University（俄勒冈州立大学电气与计算机工程学院）
本文研究图的双调和距离，证明其刻画边对全局拓扑的重要性，并提出聚类算法及 $k$-调和距离推广，实验验证其在边中心性与图聚类中的效用。
2025-02-18 cs.LG cs.SI
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
ThetA -- fast and robust clustering via a distance parameter
Indiana University Bloomington（印第安纳大学伯明顿分校）
聚类是机器学习中的一个基本问题，其中基于距离的方法已经在该领域占据了几十年的主导地位。这组问题通常通过将数据划分为K个聚类来解决，其中聚类的数量是先验选择的。虽然多年来在这些方面取得了重大进展，但众所周知，随着聚类或维度数量的增加，目前的方法停留在局部最小值，导致次优解决方案。在这项工作中，我们提出了一套新的距离阈值的方法，称为基于Theta的算法（ThetA）。通过实验比较和复杂度分析，我们表明，我们提出的方法优于现有的方法：a）聚类精度和b）时间复杂度。此外，我们表明，对于一大类问题，与学习K相比，学习最佳阈值是简单的。此外，我们展示了ThetA如何推断高维数据集的稀疏性。
2021-03-01 cs.AI cs.LG
On Clustering Time Series Using Euclidean Distance and Pearson Correlation
University of Konstanz（康斯坦茨大学）；Univ. of Applied Sciences Wolfsburg（沃尔夫斯堡应用科学大学）
对于时间序列比较，经常观察到z分数归一化的欧几里得距离远远优于未归一化的变量。在本文中，我们证明了z分数归一化的平方欧几里德距离实际上等于基于皮尔逊相关的距离。这对许多基于距离的分类或聚类方法产生了深远的影响。除了这个理论上合理的结果，我们还表明，经常使用的k-Means算法形式上需要修改，以保持解释为皮尔逊相关严格有效。实验结果表明，在许多情况下，标准的k-Means算法通常会产生相同的结果。
2016-01-10 cs.AI cs.LG stat.ML
Learnable Weighting of Intra-Attribute Distances for Categorical Data Clustering with Nominal and Ordinal Attributes
IEEE
研究用于分类数据聚类的距离度量，提出统一测量标称和有序属性内距离的新方法及新聚类算法，将属性内距离权重学习和数据划分整合为单一范式，实验验证了算法有效性。
2026-07-08 cs.AI cs.LG
Deep Clustering With Intra-class Distance Constraint for Hyperspectral Images
Liaoning Technical University（辽宁工程技术大学）；Haixi Institute, Chinese Academy of Sciences（中国科学院海西研究院）；Technical University of Munich（慕尼黑工业大学）；Hong Kong Polytechnic University（香港理工大学）
高光谱图像的高维性往往导致聚类性能的下降。基于深度学习的聚类算法由于其强大的深度特征提取能力和非线性特征表示能力，成为高光谱遥感领域的研究热点。然而，大多数高光谱图像的深度聚类算法利用深度神经网络作为特征提取器，而不考虑适合聚类的先验知识约束。为了解决这个问题，我们提出了一个类内距离约束的高维高光谱图像深度聚类算法。该算法通过类内距离约束自动编码器网络的特征映射过程，使原始图像从原始高维空间转换到更有利于聚类的低维特征空间。此外，相关的学习过程被视为深度特征提取和聚类的联合优化问题。实验结果表明，该算法与现有的高光谱图像聚类方法相比具有很强的竞争力。
2019-04-01 cs.LG eess.IV stat.ML
A novel framework of the fuzzy c-means distances problem based weighted distance
Pemalang District Government（北加浪安区政府）；Universitas Muhammadiyah Semarang（三宝垄穆罕默迪亚大学）
聚类是数据采掘的重要内容之一，在模式识别和图像分割中有着广泛的应用。模糊C均值（FCM）是最常用的聚类算法，它被证明是高效、快速和易于实现的，然而FCM使用的是欧氏距离，这往往会导致聚类错误，特别是在处理多维和噪声数据时。近年来，研究者们提出了许多距离度量来提高FCM算法的性能，其中大多数研究者提出了加权距离。提出了一种改进FCM算法性能的Canberra加权距离。使用UCI数据集的实验结果表明，该方法优于原方法和其他聚类方法。
2019-07-31 cs.LG stat.ML
(k, l)-Medians Clustering of Trajectories Using Continuous Dynamic Time Warping
University of Sydney（悉尼大学）；TU Eindhoven（埃因霍温理工大学）；Max Planck Institute for Informatics（马克斯·普朗克信息学研究所）
由于可用地理空间数据的数量大量增加，并且需要以可理解的方式呈现它，因此对这些数据进行聚类比以往任何时候都更加重要。由于集群可能包含大量的对象，因此为每个集群提供一个代表可以极大地促进对集群的理解。依赖于这些代表的聚类方法被称为基于中心的。在这项工作中，我们考虑基于中心的轨迹聚类的问题。在这种情况下，集群的代表再次是轨迹。为了获得聚类的紧凑表示并避免过拟合，我们通过参数l来限制代表性轨迹的复杂性。然而，这种限制使得离散距离测量（如动态时间规整（DTW））不太适合。最近的工作是基于中心的聚类的轨迹与连续的距离测量，即弗雷谢距离。虽然Fréchet距离允许限制中心复杂度，但它也可能对离群值敏感，而平均型距离度量，如DTW，则不那么敏感。为了获得一个轨迹聚类算法，允许限制中心的复杂性，是更强大的离群值，我们建议使用连续版本的DTW作为距离度量，我们称之为连续动态时间规整（CDTW）。我们的贡献是双重的：1。针对CDTW缺乏实用算法的问题，提出了一种计算CDTW的近似算法。我们开发的第一个聚类算法下的距离测量，并显示一个实用的方法来计算一组轨迹的中心，随后迭代地改进it. To获得深入了解下的实际数据的CDTW聚类结果，我们进行了广泛的实验。
2020-12-01 cs.CG cs.LG
Wasserstein-based Kernel Principal Component Analysis for Clustering Applications
Risk Engineering Lab, Institute of Energy；Process Engineering, Department of Mechanical；Process Engineering, ETH Z\"urich , country= Switzerland
本文提出一个集成Wasserstein度量与核方法的无监督聚类框架，通过参考分布近似距离、平移正定核及可扩展有效性指标，有效处理向量型和分布型数据，并在电力图和时序数据上验证了性能。
2025-10-14 cs.LG stat.AP
FISHDBC: Flexible, Incremental, Scalable, Hierarchical Density-Based Clustering for Arbitrary Data and Distance
Symantec Research Labs（赛门铁克研究实验室）
FISHDBC是一种灵活的、增量的、可扩展的、基于层次密度的聚类算法。它很灵活，因为它使用户能够处理任意数据，跳过通常将原始数据转换为数值数组的特征提取步骤，让用户定义任意距离函数。它是增量的和可扩展的：它避免了其他方法在非度量空间中的$\mathcal O(n^2)$性能，并且当添加很少的项时，只需要轻量级计算来更新聚类。它是分层的：它产生“扁平”聚类，该聚类可以扩展为树结构，从而当数据探索需要时，用户可以将聚类分组和/或划分为子聚类或超聚类。它是基于密度的，近似于HDBSCAN*，是DBSCAN的一种演变。
2019-10-16 cs.DS cs.LG stat.ML
Clustering via torque balance with mass and distance
University of Technology Sydney（悉尼科技大学）
相似对象是科学分析的基本工具，在从生物学和化学到天文学和模式识别的学科中无处不在。受星系合并时引力相互作用中存在的扭矩平衡的启发，我们提出了一种基于宇宙两个自然属性的新聚类方法：质量和距离。描述质量和距离的相互作用的扭矩的概念形成了所提出的无参数聚类算法的基础，该算法利用扭矩平衡来识别任何聚类，而不管形状、大小或密度如何。引力相互作用控制着合并过程，而扭矩平衡的概念揭示了不符合自然移除顺序的分区。基准数据集上的实验表明，该算法的巨大的通用性。
2020-04-27 cs.CV cs.LG stat.ML
Power Weighted Shortest Paths for Clustering Euclidean Data
University of California, Los Angeles（加州大学洛杉矶分校）；University of Michigan（密歇根大学）
我们研究使用功率加权最短路径距离函数聚类高维欧氏数据，假设数据是从一个不相交的低维流形的集合。我们认为，理论和实验，这导致更高的聚类精度。我们还提出了一个快速算法来计算这些距离。
2019-09-04 cs.LG stat.ML
Clustering in Hilbert simplex geometry
Sony Computer Science Laboratories Inc.（索尼计算机科学研究所）；Data61；The Australian National University（澳大利亚国立大学）
在有限维概率单纯形中聚类分类分布是处理归一化直方图的许多应用中遇到的基本任务。传统上，概率单形的微分几何结构要么通过（i）将黎曼度量张量设置为分类分布的Fisher信息矩阵，要么（ii）定义由光滑相异度度量（Kullback-Leibler散度）引起的二元信息几何结构。在这项工作中，我们介绍了聚类任务的一种新的计算友好的框架，几何建模的概率单纯形：{ \em希尔伯特单纯形几何}。在Hilbert单纯形几何中，距离是不可分的Hilbert度量距离，它满足信息单调性，距离水平集函数由多面体边界描述。我们表明，无论是艾奇逊和希尔伯特单纯形距离是规范的距离归一化对数表示的$\ell_2$和变异规范，分别。我们讨论了这些不同的统计建模的优点和缺点，并基准实验这些不同种类的几何中心为基础的$k$ -手段和$k$ -中心聚类。此外，由于一个典型的希尔伯特距离可以定义在任何有界凸子集的欧几里德空间，我们还考虑希尔伯特的几何椭圆形的相关矩阵和研究其聚类性能相比，弗罗贝纽斯和log-det分歧。
2021-11-19 cs.CV cs.LG
Learning to Link
Carnegie Mellon University（卡内基梅隆大学）；Toyota Technical Institute at Chicago（芝加哥丰田技术研究所）；Karlsruhe Institute of Technology（卡尔斯鲁厄理工学院）
聚类是许多现代数据分析管道的重要组成部分，包括网络分析和数据检索。不同的社区开发了许多不同的聚类算法，并且通常不清楚哪种算法将在特定的聚类任务上提供最佳性能。类似地，我们通常有多种方法来测量数据点之间的距离，最佳聚类性能可能需要这些指标的非平凡组合。在这项工作中，我们研究了数据驱动的算法选择和度量学习的聚类问题，其目标是同时学习最好的算法和度量为特定的应用程序。我们考虑的聚类算法的家庭是参数化的连接为基础的程序，包括单一的和完整的链接。我们学习的距离函数族是基距离函数的凸组合。我们设计了高效的学习算法，它接收来自聚类实例的特定于应用程序的分布的样本，并同时从这些类学习接近最佳的距离和聚类算法。我们还进行了全面的实证评估，我们的技术表明，它们可以导致显着提高聚类性能。
2019-10-02 cs.DS cs.LG
Fast Topological Clustering with Wasserstein Distance
University of Wisconsin–Madison（威斯康星大学麦迪逊分校）；University of Iowa（爱荷华大学）
许多现实世界中的网络所表现出的拓扑模式激发了基于拓扑的网络相似性评估方法的发展。然而，提取拓扑结构是困难的，特别是对于大型和密集的网络，其节点度范围超过几个数量级。在本文中，我们提出了一种新的和计算上实用的拓扑聚类方法，集群复杂的网络与复杂的拓扑结构，从持久的同源性和最佳运输的原则性理论。这种网络通过基于质心的聚类策略聚合成簇，基于它们的拓扑结构和几何结构，保持不同网络中节点之间的对应关系。拓扑邻近和质心的概念，其特征在于使用一种新的和有效的方法来计算Wasserstein距离和重心的持久性条形码与连接组件和周期。所提出的方法被证明是有效的，使用模拟网络和测量功能的大脑网络。
2022-03-14 cs.LG stat.ML
On Efficient Multilevel Clustering via Wasserstein Distances
Monash University（莫纳什大学）；University of California, Berkeley（加州大学伯克利分校）；University of Michigan（密歇根大学）；IBM Research（IBM研究院）；VinAI Research（VinAI研究院）
我们提出了一种新的方法来解决多级聚类的问题，其目的是同时划分每个组中的数据，并在一个潜在的大层次结构的数据语料库中发现组之间的分组模式。我们的方法涉及到一个联合优化制定了几个空间的离散概率测度，这是赋予瓦瑟斯坦距离度量。我们提出了这个问题的几个变种，承认快速优化算法，通过利用连接的问题，找到Wasserstein重心。建立了局部和全局聚类估计的一致性性质。最后，合成和真实数据的实验结果表明所提出的方法的灵活性和可扩展性。
2021-05-25 cs.LG stat.ML
Constant Approximation for Individual Preference Stable Clustering
MIT（麻省理工学院）；Databricks（Databricks公司）；TTIC（丰田理工学院芝加哥分校）；UC Berkeley（加州大学伯克利分校）
针对一般度量下的个体偏好稳定聚类，论文证明 O(1)-IP 稳定聚类总存在并给出高效算法，同时扩展到最大、最小距离情形。
2023-09-28 cs.DS cs.LG
Strong Coresets for Hard and Soft Bregman Clustering with Applications to Exponential Family Mixtures
ETH Zurich（苏黎世联邦理工学院）
核心集是数据集的有效表示，使得在核心集上训练的模型与在原始数据集上训练的模型具有可证明的竞争力。因此，它们已成功地用于将聚类模型（如K-Means和高斯混合模型）扩展到大规模数据集。然而，到目前为止，算法和相应的理论通常是特定于每个聚类问题。我们提出了一个单一的，实用的算法来构建强coresets一大类的硬和软的聚类问题的基础上Bregman分歧。这一类包括硬聚类与流行的失真措施，如平方欧几里德距离，马哈拉诺比斯距离，KL发散和Itakura-Saito距离。由于Bregman分歧和指数族分布之间的双重关系，相应的软聚类问题与流行的混合模型直接相关。我们的理论结果进一步暗示了一个随机多项式时间近似方案的硬聚类。我们证明了所提出的算法的实用性，在实证评估。
2016-05-02 cs.LG stat.ML
A new nonparametric interpoint distance-based measure for assessment of clustering
University of Calcutta（加尔各答大学）；Basanti Devi College（巴桑蒂·德维学院）
提出了一种新的基于点间距离的度量方法来确定数据集中存在的最佳聚类数。它采用非参数方法设计，与给定数据的分布无关。数据成员之间的点间距离使我们的聚类有效性指数适用于在任意尺度上测量的单变量和多变量数据，或者在任何维度空间中进行观察，其中研究变量的数量甚至可以大于样本量。我们提出的标准是兼容的任何聚类算法，并可用于确定未知数量的集群或评估质量的数据集得到的集群。通过合成和现实生活中的数据演示建立了其优越性，在著名的聚类精度的措施，文献。
2022-10-01 cs.LG stat.AP stat.ML
Fuzzy clustering of ordinal time series based on two novel distances with economic applications
Research Center for Information and Communication Technologies (CITIC)（信息与通信技术研究中心（CITIC））；University of A Coruña（拉科鲁尼亚大学）；Helmut Schmidt University（赫尔穆特·施密特大学）
针对有序时间序列聚类，本文提出两种基于估计累积概率的新颖距离并构建高效模糊聚类算法，模拟显示其优于替代方法，并通过经济时间序列应用验证实用性。
2023-04-24 cs.LG stat.ML
Dendrogram distance: an evaluation metric for generative networks using hierarchical clustering
本文提出树状图距离指标，利用层次聚类比较真实与生成样本分布，重点检测生成网络中的模式坍塌，并通过受控验证证明其性能与现有先进方法相当。
2023-11-28 cs.CV cs.LG
Kernelized Locality-Sensitive Hashing for Semi-Supervised Agglomerative Clustering
Columbia University（哥伦比亚大学）
大规模的凝聚聚类受到计算负担的阻碍。我们提出了一种新的方案，其中精确的实例间距离计算被替换为核化局部敏感哈希（KLSH）哈希值之间的汉明距离。这导致了一种方法，大大减少了计算时间。此外，我们通过距离度量学习利用某些标记的数据点，以实现与K-Means相比具有竞争力的精确度和召回率，但计算时间要少得多。
2013-01-16 cs.CV cs.LG stat.ML
Supporting Clustering with Contrastive Learning
AWS AI（亚马逊云科技人工智能）；Columbia University（哥伦比亚大学）
无监督聚类的目的是根据表示空间中的距离来发现数据的语义类别。然而，在学习过程的开始，不同的类别经常在表示空间中彼此重叠，这对基于距离的聚类在实现不同类别之间的良好分离方面提出了重大挑战。为此，我们提出了支持聚类与对比学习（SCCL）-一个新的框架，利用对比学习，以促进更好的分离。我们评估了SCCL在短文本聚类上的性能，并表明SCCL在大多数基准数据集上显着提高了最先进的结果，在准确性上提高了3%-11%，在归一化互信息上提高了4%-15%。此外，我们的定量分析表明，SCCL在利用自下而上的实例区分和自上而下的聚类的优势，以实现更好的集群内和集群间的距离时，与地面真相集群标签进行评估的有效性。
2021-05-28 cs.CL cs.LG
Categorical Data Clustering via Value Order Estimated Distance Metric Learning
School of Computer Science and Technology, Guangdong University of Technology, Guangzhou, China（广东技术大学计算机科学与技术学院）；Department of Computer Science, Hong Kong Baptist University, Hong Kong SAR China（香港 Baptist大学计算机科学系）；Guangdong Provincial Key Laboratory of Intelligent Information Processing, College of Electronics and Information Engineering, Shenzhen University, Shenzhen, China（广东省智能信息处理重点实验室，电子与信息工程学院，深圳大学，深圳，中国）；School of Computer Science and Software Engineering, Shenzhen University, Shenzhen, China（计算机科学与软件工程学院，深圳大学，深圳，中国）；School of Informatics, Xiamen University, Xiamen China（信息学院，厦门大学，厦门中国）
针对分类数据缺乏天然度量空间的问题，本文提出在聚类中联合学习属性值序关系与序距离度量，并交替优化聚类和度量学习，提升分类及混合数据聚类效果与可解释性。
2025-08-29 cs.AI cs.LG stat.ML
Hierarchical Clustering with Prior Knowledge
Amazon.com Inc.（亚马逊公司）
层次聚类是一类试图建立聚类层次结构的算法。它一直是构建嵌入式分类方案的主要方法，因为它输出树状图，同时捕获各级粒度的成员之间的层次关系。在算法意义上是贪婪的，层次聚类在每一步都仅仅基于相似性/相异性度量来划分数据。聚类结果往往不仅取决于底层数据的分布，而且还取决于相异性度量的选择和聚类算法。本文提出了一种将实体关系的先验领域知识融入到层次聚类中的方法。具体来说，我们使用超度量空间中的距离函数来编码外部本体信息。我们表明，流行的基于链接的算法可以忠实地恢复编码的结构。类似于一些正则化的机器学习技术，我们将此距离作为惩罚项添加到原始的成对距离中，以调节树状图的最终结构。作为一个案例研究，我们应用这种方法对真实数据的客户行为为基础的产品分类亚马逊服务的建设，利用信息从一个更大的亚马逊范围内的浏览结构。当人们想要利用来自外部源的关系信息时，或者用于生成距离矩阵的数据是噪声和稀疏的时，该方法是有用的。我们的工作属于半监督或约束聚类的范畴。
2018-08-25 cs.LG stat.ML
Learning Unified Distance Metric for Heterogeneous Attribute Data Clustering
School of Computer Science and Technology（计算机科学与技术学院）；Guangdong University of Technology（广东工业大学）；Key Laboratory of Multimedia Trusted Perception and Efficient Computing, Ministry of Education of China（教育部多媒体可信感知与高效计算重点实验室）；Xiamen University（厦门大学）；Department of Computer Science（计算机科学系）
本文提出HARR范式，通过统一学习多空间来提升异质属性数据聚类的准确性和效率。
2026-03-03 cs.AI cs.LG
Probabilistic spatial clustering based on the Self Discipline Learning (SDL) model of autonomous learning
无监督聚类算法可以有效地对高维无标记数据进行降维，从而降低数据处理的时间和空间复杂度。但传统的聚类算法需要事先设定类别数量的上界，深度学习聚类算法会陷入局部最优的问题。为了解决这些问题，提出了一种基于自律学习（SDL）模型的概率空间聚类算法。该算法以向量间概率空间距离的高斯概率分布为基础，以概率空间距离的概率尺度和最大概率值作为距离度量判断，然后根据数据集本身的分布特点确定每个样本的类别。该算法在智能安全自动化实验室（LISA）交通灯数据集上进行了测试，准确率为99.03%，召回率为91%，取得了较好的效果。
2022-01-14 cs.AI cs.LG
Wasserstein $K$-means for clustering probability distributions
University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
聚类是一种重要的探索性数据分析技术，它根据对象的相似性对对象进行分组。广泛使用的$K$均值聚类方法依赖于距离的概念，将数据划分为较少数量的组。在欧几里得空间中，基于质心和基于距离的$K$均值公式是等价的。在现代机器学习应用中，数据通常以概率分布的形式出现，处理度量值数据的自然概括是使用最佳传输度量。由于Wasserstein空间的非负Alexandrov曲率，重心遭受正则性和非鲁棒性问题。Wasserstein重心的特殊行为可能使基于质心的公式无法表示聚类内的数据点，而更直接的基于距离的$K$ -均值方法及其半定规划（SDP）松弛能够恢复真实的聚类标签。在聚类高斯分布的特殊情况下，我们表明，SDP放松Wasserstein $K$ -手段，可以实现精确的恢复给定的集群下分离的$2$ -Wasserstein度量。我们的模拟和真实数据的例子也表明，基于距离的$K$ -手段，可以实现更好的分类性能比标准的基于质心的$K$ -手段聚类概率分布和图像。
2022-10-12 cs.LG stat.ML
