PulseAugur
中
实时 12:32:13
English(EN) Shapley-Inspired Feature Weighting in $k$-means with No Additional Hyperparameters

新的 Shapley 启发式 k-均值算法增强了特征加权

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员开发了 SHARK（Shapley Reweighted k-means），一种新颖的聚类算法特征加权方法，无需额外的超参数调优。该方法利用合作博弈论中的 Shapley 值来评估特征相关性，为无监督特征重要性提供了公理基础。SHARK 根据特征的 Shapley 贡献迭代调整特征权重，有效地强调信息维度并弱化不相关维度。实验表明，SHARK 在准确性和鲁棒性方面，尤其是在噪声数据集上，能够媲美甚至超越现有方法。 AI

影响 为聚类中的特征加权引入了一种无参数方法，有望在各种 AI 应用中提高模型性能和可解释性。

排序理由 该集群包含一篇介绍机器学习新算法的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

新的 Shapley 启发式 k-均值算法增强了特征加权

报道来源 [1]

  1. arXiv cs.LG TIER_1 English(EN) · Richard J. Fawley, Renato Cordeiro de Amorim ·

    Shapley-Inspired Feature Weighting in $k$-means with No Additional Hyperparameters

    arXiv:2508.07952v2 Announce Type: replace Abstract: Clustering algorithms often assume all features contribute equally to the data structure, an assumption that usually fails in high-dimensional or noisy settings. Feature weighting methods can address this, but most require addit…

相关实体

相关话题