學(xué)習(xí)筆記，僅供參考
有時(shí)間讀

---

Clusterpath: An Algorithm for Clustering using Convex Fusion Penalties

摘要

我們提出了一個(gè)新的聚類算法，通過提出一個(gè)層次聚類的凸松弛，產(chǎn)生了一個(gè)具有自然幾何解釋的目標(biāo)函數(shù)族。我們給出了計(jì)算解的連續(xù)正則化路徑的有效算法，并討論了參數(shù)的相對(duì)優(yōu)勢(shì)。我們的方法通過實(shí)驗(yàn)給出了類似于非凸聚類的譜聚類的最新結(jié)果，并且具有從數(shù)據(jù)中學(xué)習(xí)樹結(jié)構(gòu)的額外好處。

簡(jiǎn)介

在多變量數(shù)據(jù)分析中，聚類分析是一種無監(jiān)督學(xué)習(xí)技術(shù)，允許識(shí)別同質(zhì)數(shù)據(jù)子集。諸如k均值、高斯混合模型、層次聚類和譜聚類等算法允許識(shí)別各種聚類形狀。然而，所有這些方法都存在不穩(wěn)定性，要么因?yàn)樗鼈儽灰暈榉峭箖?yōu)化問題，要么因?yàn)樗鼈円蕾囉诰嚯x的硬閾值。已經(jīng)提出了幾種凸聚類方法，但是一些只關(guān)注2類問題[XNLS04]，而其他的需要預(yù)先任意固定最小聚類大小[BH08]。這項(xiàng)工作的主要貢獻(xiàn)是開發(fā)了一種新的凸層次聚類算法，試圖解決這些問題。近年來，稀疏誘導(dǎo)規(guī)范已經(jīng)成為一種靈活的工具，允許在懲罰線性模型中進(jìn)行變量選擇。套索和組套索現(xiàn)在是眾所周知的模型，在估計(jì)系數(shù)中加強(qiáng)稀疏性或組稀疏性[Tib96，YL06]。另一個(gè)對(duì)聚類更有用的例子是融合的套索信號(hào)逼近器(FLSA)，它已被用于分割和圖像去噪[TS05]。此外，最近的幾篇論文提出了使用L1[CKL+10，SH10]和L2[VB10]融合懲罰的線性模型優(yōu)化算法。本文通過開發(fā)一系列融合懲罰擴(kuò)展了這方面的工作，產(chǎn)生了“聚類路徑”，

總結(jié)

以上是生活随笔為你收集整理的文献记录(part3)--Clusterpath An Algorithm for Clustering using Convex Fusion Penalties的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。