核心概念
傳統多核聚類方法未考慮數據局部流形結構且易受噪聲干擾,本文提出的基於局部迴歸融合的多核聚類方法 (CMKLR) 則克服了這些問題,透過局部核迴歸和多核融合,有效提升了聚類效能。
摘要
基於局部迴歸融合的多核聚類方法研究論文摘要
研究目標: 本研究旨在解決現有多核聚類方法未考慮數據局部流形結構且易受噪聲干擾的問題,提出基於局部迴歸融合的多核聚類方法 (CMKLR)。
方法:
- 單核局部迴歸聚類 (CKLR): 針對每個樣本,根據核函數選取鄰近樣本,構建局部核迴歸模型,並利用該模型預測樣本的聚類標籤。
- 多核局部迴歸融合 (CMKLR): 針對每個核矩陣,構建對應的稀疏化局部核迴歸係數矩陣,並透過線性加權融合得到多核數據下的局部流形結構和稀疏化的多核局部迴歸係數。
主要發現:
- CMKLR 方法相較於傳統方法,能更好地捕捉數據的局部流形結構,並減少噪聲和異常值的影響。
- 實驗結果顯示,CMKLR 方法在多個基準數據集上的聚類性能優於現有的多核聚類方法。
主要結論: 本文提出的 CMKLR 方法有效解決了傳統多核聚類方法的局限性,透過局部核迴歸和多核融合,顯著提升了聚類效能。
意義: 本研究提出的 CMKLR 方法為多核聚類提供了一種新的思路,有助於推動多核聚類技術的發展和應用。
局限和未來研究方向:
- 本文方法僅考慮了線性加權融合策略,未來可以探討更複雜的融合方式。
- 未來可以將 CMKLR 方法應用於其他機器學習任務,例如分類和迴歸等。