一种基于几何方法的k均值聚类算法

《IEEE Transactions on Knowledge and Data Engineering》:A Geometric Approach to k -means Clustering

【字体: 大 中 小 】 时间:2026年01月08日 来源:IEEE Transactions on Knowledge and Data Engineering 10.4

编辑推荐:

  k-means聚类优化问题的非凸性导致现有算法易陷入局部最优解。本文提出基于隐藏结构的框架,通过交替检测误指定簇和非局部操作实现全局解恢复,从几何视角统一多种算法变体,并验证了过簇和欠簇初始条件下的有效性。

  

摘要:

k均值聚类(k-means clustering)是许多科学和工程领域中的一个基本问题。与k均值聚类相关的优化问题是非凸的,因此标准算法只能保证找到局部最优解。通过利用局部解的隐藏结构,我们提出了一个通用算法框架,用于避开不理想的局部解并恢复全局最优解或真实的聚类结果。该框架包括两个步骤的迭代交替:(i)检测局部解中错误指定的聚类;(ii)通过非局部操作改进局部解。我们详细讨论了这些步骤的具体实现,并从几何角度阐述了所提出的框架如何统一现有的多种k均值聚类算法变体。此外,我们还提出了该框架的两个自然变体,其中初始聚类数量可能被过度指定或低估。我们提供了理论依据和广泛的实验来证明所提出方法的有效性。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号