A Survey on Incomplete Multi-view Clustering
Harbin Institute of Technology, Shenzhen(哈尔滨工业大学(深圳));Guangdong University of Technology(广东工业大学);University of Macau(澳门大学);Hefei University of Technology(合肥工业大学)
传统的多视图聚类试图基于所有视图都被完全观察的假设将数据划分为相应的组。然而,在实际应用中,如疾病诊断、多媒体分析、推荐系统等,常常会发现样本的视图并不是全部可用的,这就导致了传统的多视图聚类方法的失效。对这种不完整多视图数据的聚类被称为不完整多视图聚类。鉴于其良好的应用前景,近年来不完全多视图聚类的研究取得了显著的进展。然而,目前还没有一个综述来总结目前的研究进展,并指出未来的研究方向。为此,我们回顾了最近的研究不完全多视图聚类。重要的是,我们提供了一些框架来统一相应的不完全多视图聚类方法,并从理论和实验角度对一些代表性的方法进行了深入的比较分析。最后,提出了不完全多视图聚类领域的一些有待解决的问题。
2022-08-17 cs.LG cs.MM
A Short Survey on Data Clustering Algorithms
City University of Hong Kong(香港城市大学)
随着数据的快速增长,聚类算法是现代研究中数据分析的重要工具。它们已经成功地应用于广泛的领域;例如,生物信息学、语音识别和金融分析。从形式上讲,给定一组数据实例,聚类算法预期将数据实例集划分为最大化子集内相似性和子集间相异性的子集,其中预先定义相似性度量。在这项工作中,国家的最先进的聚类算法从设计概念到方法进行了审查,不同的聚类范式进行了讨论。先进的聚类算法进行了讨论。在此基础上,对现有的聚类评价指标进行了综述。最后提供了一个总结和未来的见解。
2015-11-25 cs.CV cs.DS cs.LG
A Survey on Multi-View Clustering
University of Connecticut(康涅狄格大学);East China Normal University(华东师范大学)
随着信息获取技术的进步,多视图数据变得无处不在。因此,多视图学习在机器学习和数据采掘领域变得越来越流行。多视图无监督或半监督学习,如协同训练、协同正则化等得到了广泛的关注。虽然多视图聚类(MVC)方法近年来得到了迅速的发展,但目前还没有一个综述对其进行总结和分析。因此,本文回顾了组合多个数据视图的常见策略,并在此总结的基础上提出了一种新的MVC方法分类法。进一步讨论了MVC与多视图表示、集成聚类、多任务聚类、多视图监督和半监督学习的关系。几个代表性的现实世界的应用程序进行了阐述。为了促进MVC的未来发展,我们设想了几个开放的问题,可能需要进一步的调查和彻底的检查。
2018-04-03 cs.LG stat.ML
Bridging the Gap: A Decade Review of Time-Series Clustering Methods
The Ohio State University(俄亥俄州立大学)
本文综述了时间序列聚类方法十年来的发展,从经典方法到深度学习算法,提出统一分类体系以弥合传统与新兴方法之间的差距,并为未来研究提供指导。
2024-12-29 cs.AI cs.DB cs.LG
Interpretable Clustering: A Survey
College of Information Science and Engineering, Henan University of Technology(河南理工大学信息科学与工程学院);School of Software, Dalian University of Technology(大连理工大学软件学院);Xinchang Power Supply Company, State Grid Corporation of China(国网浙江绍兴供电公司)
本文综述了可解释聚类算法的现状,探讨了透明聚类结果的重要性,帮助研究人员选择合适的方法,并推动高效透明的聚类算法发展。
2026-06-27 cs.AI cs.LG
Mixed Data Clustering Survey and Challenges
Léonard de Vinci Pôle Universitaire, Research Center(莱昂纳德·德·文奇大学研究中心);LI-PARAD Laboratory EA 7432(LI-PARAD实验室EA 7432)
本文提出了一种基于预拓扑空间的混合数据聚类方法,并通过基准测试评估其在大数据环境下的性能与有效性。
2026-10-06 cs.AI cs.LG
Four Algorithms for Correlation Clustering: A Survey
The University of Chicago(芝加哥大学)
在相关聚类问题中,我们给出了一组具有成对相似性信息的对象。我们的目标是将这些对象划分为尽可能匹配此信息的聚类。更具体地,成对信息被给出为加权图$G$,其边缘被二元分类器标记为"相似”或"不相似”。我们的目标是产生一个聚类,最大限度地减少权重的"分歧”:权重的总和相似的边缘跨集群和集群内的不同边缘。在这一论述中,我们集中在$G$是完整的和未加权的情况下。在此假设下,我们探讨四种近似算法的相关聚类问题。特别是,我们描述了以下算法:(i)Bansal,Blum和Chawla的$17429-$近似算法,(ii)Charikar,Guruswami和Wirth的$4-$近似算法,(iii)Ailon,Charikar和Newman的$3-$近似算法,(iv)Chawla,Makarychev,Schramm和Yaroslavtsev的$2.06-$近似算法。
2022-08-24 cs.DS cs.LG
A Survey of Deep Graph Clustering: Taxonomy, Challenge, Application, and Open Resource
National University of Defense Technology(国防科技大学);Westlake University(西湖大学);Chinese PLA General Hospital(中国人民解放军总医院)
本文对深度图聚类领域进行了全面综述,基于四个标准提出分类法,分析现有方法与挑战,介绍六大领域应用,并提供开源代码与统一框架资源。
2023-09-12 cs.AI cs.LG
Laplacian-Based Dimensionality Reduction Including Spectral Clustering, Laplacian Eigenmap, Locality Preserving Projection, Graph Embedding, and Diffusion Map: Tutorial and Survey
University of Waterloo(滑铁卢大学)
这是一个教程和调查文件的非线性维数和特征提取方法的基础上,拉普拉斯的图形数据。首先介绍了邻接矩阵、拉普拉斯矩阵的定义以及拉普拉斯算子的解释。然后,我们覆盖了图的切割和谱聚类,它应用于数据的子空间中的聚类。解释了拉普拉斯特征映射及其样本外扩展的不同优化变体。之后,我们引入了保局投影及其核变体作为拉普拉斯特征映射的线性特例。图嵌入的版本,然后解释这是广义版本的拉普拉斯特征映射和局部保持投影。最后介绍了一种基于数据的拉普拉斯算子和数据图上的随机游动的扩散映射方法。
2022-08-06 cs.CV cs.LG stat.ML
Statistically-Robust Clustering Techniques for Mapping Spatial Hotspots: A Survey
University of Maryland(马里兰大学);University of Minnesota(明尼苏达大学)
绘制空间热点,即,具有显著更高的某些事件的情况生成率的区域(例如,疾病或犯罪案件),是包括公共卫生、公共安全、交通、农业、环境科学等在内的不同社会领域中的重要任务。这些领域所需的聚类技术由于虚假结果的高经济和社会成本而不同于传统聚类方法(例如,犯罪集群的虚假警报)。因此,需要明确的统计严格性来控制虚假检测的比率。为了解决这一挑战,用于预测鲁棒聚类的技术(例如,扫描统计)已经被数据挖掘和统计社区广泛研究。在这次调查中,我们提出了一个最新的和详细的审查模型和算法开发的这一领域。首先,我们提出了一个通用的分类法,强大的聚类,包括数据和统计建模,区域枚举和最大化,和显着性测试的关键步骤。我们进一步讨论每个关键步骤中的不同范式和方法。最后,我们强调了研究差距和潜在的未来方向,这可能是在这个不断增长的领域和超越产生新的想法和想法的垫脚石。
2021-10-10 cs.LG stat.CO stat.ML
Survey of state-of-the-art mixed data clustering algorithms
United Arab Emirates University(阿联酋大学);Toronto Rehabilitation Institute(多伦多康复研究所);University Health Network(大学健康网络)
混合数据包括数字和分类特征,混合数据集经常出现在许多领域,如健康,金融和营销。聚类通常应用于混合数据集,以查找结构并将相似对象分组以供进一步分析。然而,聚类混合数据是具有挑战性的,因为很难直接应用数学运算,如求和或平均,这些数据集的特征值。在本文中,我们提出了一个分类的混合数据聚类算法的研究,确定五个主要的研究主题。然后,我们提出了一个国家的最先进的审查每个研究主题的研究工作。我们分析了这些方法的优点和缺点,并指出了未来的研究方向。最后,我们提出了在这一领域的总体挑战的深入分析,突出开放的研究问题,并讨论在该领域取得进展的指导方针。
2019-03-18 cs.AI cs.LG stat.ML
Spectral Theory of Unsigned and Signed Graphs. Applications to Graph Clustering: a Survey
University of Pennsylvania(宾夕法尼亚大学)
本文综述了图割方法及其在加权无符号图和加权有符号图聚类中的应用。我提供了一个相当彻底的治疗的方法规范化的图削减,一个深刻的原始方法,由于施和马利克,包括完整的证明。本文的主旨是规范化割方法。在Yu和Shi工作的基础上,我们对K = 2的团簇和K> 2的团簇进行了详细的讨论。我还展示了如何图形绘制和归一化切割K-聚类可以很容易地推广到处理有符号图,这是加权图,其中权重矩阵W可能有负系数。直觉上,负系数表示距离或相异性。解决方案是将度矩阵替换为使用权重的绝对值的矩阵,并且将拉普拉斯算子替换为具有新的绝对值的度矩阵的拉普拉斯算子。据我所知,将K-way归一化聚类推广到符号图是一个新的研究方向。最后,我展示了如何比例切割的方法,其中切割是规范化的集群的大小,而不是其体积,只是一个特殊的情况下规范化的切割。
2016-01-18 cs.DS cs.LG
The SpectACl of Nonconvex Clustering: A Spectral Approach to Density-Based Clustering
TU Dortmund University(多特蒙德工业大学);Technische Universiteit Eindhoven(埃因霍温理工大学)
当涉及到聚类非凸形状时,使用两种范式来找到最合适的聚类:最小切割和最大密度。结合这些范例的最流行的算法是谱聚类和DBSCAN。这两种模式都有各自的优点和缺点。虽然最小割聚类对噪声敏感,但基于密度的聚类在处理具有不同密度的聚类时遇到了麻烦。在本文中,我们提出了\textsc{SpectACl}:一种方法结合了这两种方法的优点,同时解决了上述两个缺点。我们的方法易于实现,如谱聚类,并从理论上建立优化建议的密度标准的聚类。通过对合成数据和真实数据的实验,我们证明了我们的方法提供了强大而可靠的聚类。
2019-07-01 cs.LG stat.ML
A comparison of cluster algorithms as applied to unsupervised surveys
Saint Joseph’s University(圣约瑟夫大学);Indian Institute of Technology(印度理工学院)
在考虑用数据回答重要问题时,无监督数据提供了广泛的洞察机会和独特的挑战。这项研究考虑了学生调查数据,具体目标是将学生分成类似的群体,其基本概念是确定不同的贫困程度。在数据清理和组织阶段考虑模糊逻辑,帮助创建逻辑因变量进行分析比较。使用多种数据简化技术,对调查进行了简化和清理。最后,多种聚类技术(k-means,k-modes和层次聚类)的应用和比较。虽然每种方法都有优点,但目标是确定哪种方法在应用于调查数据时最可行,特别是在试图确定最贫困的学生时。
2018-12-13 cs.CY cs.LG stat.ML
Skeleton Clustering: Dimension-Free Density-based Clustering
University of Washington(华盛顿大学)
我们介绍了一种基于密度的聚类方法,称为骨架聚类,可以检测多变量,甚至高维数据的不规则形状的集群。为了绕过维数灾难,我们提出了替代密度的措施,是不太依赖于尺寸,但有直观的几何解释。作为中间步骤,聚类框架构建了给定数据的简洁表示,可以认为是原型方法,基于密度的聚类和层次聚类的组合。我们通过理论分析和实证研究表明,骨架聚类导致可靠的集群在多元和高维的场景。
2023-01-18 cs.LG stat.ME stat.ML
No Pattern, No Recognition: a Survey about Reproducibility and Distortion Issues of Text Clustering and Topic Modeling
Institute of Mathematics and Computer Science(数学与计算机科学研究所);University of São Paulo(圣保罗大学);São Carlos School of Engineering(圣卡洛斯工程学院);Institute of Informatics(信息学研究所);Federal University of Goiás(戈亚斯联邦大学)
使用机器学习算法从未标记的文本中提取知识可能是复杂的。文档分类和信息检索是可以受益于无监督学习的两个应用(例如,文本聚类和主题建模),包括探索性数据分析。然而,无监督学习范式带来了可重复性问题。初始化可导致取决于机器学习算法的可变性。此外,在考虑簇几何形状时,失真可能会产生误导。在这些原因中,异常值和异常的存在可能是一个决定性因素。尽管初始化和离群值问题与文本聚类和主题建模相关,但作者没有找到对它们的深入分析。该调查提供了这些子领域的系统文献综述(2011-2022年),并提出了一个通用术语,因为类似的程序有不同的术语。作者描述了研究机会,趋势和开放的问题。附录总结了文本向量化、因子分解和聚类算法的理论背景,这些理论背景直接或间接地与所回顾的作品相关。
2022-08-02 cs.CL cs.IR cs.LG
Clustering by Deep Nearest Neighbor Descent (D-NND): A Density-based Parameter-Insensitive Clustering Method
University of Electronic Science and Technology of China(电子科技大学)
大多数基于密度的聚类方法在很大程度上依赖于对底层密度的估计。然而,密度估计本身也是一个具有挑战性的问题,尤其是核带宽的确定。大的带宽可能导致过平滑的密度估计,其中密度峰值的数量可能小于真实的聚类,而小的带宽可能导致欠平滑的密度估计,其中在估计的密度中将生成伪密度峰值,或称为“波纹噪声”。在本文中,我们提出了一种基于密度的层次聚类方法,称为深度最近邻下降(D-NND),它可以逐层学习底层的密度结构,同时捕获聚类结构。该方法可以避免过平滑密度估计,同时也可以减小欠估计情况的负面影响。总的来说,D-NND不仅表现出很强的发现潜在集群结构的能力,而且由于其对参数的不敏感性,具有显著的可靠性。
2015-12-07 cs.CV cs.LG stat.CO