PulseAugur
中
实时 04:03:30
English(EN) Sensitivity Sampling with Predictions for k-Means Clustering

基于预测的新方法加速了大型数据集的k均值聚类

作者 PulseAugur 编辑部 · [2 个来源] ·

研究人员开发了一种新的方法，通过使用预测来近似输入点的重要性，从而对大型数据集进行k均值聚类。该方法利用了理论结果，允许对敏感度进行比以往更粗略的近似，从而可以使用更嘈杂的预测器。当在来自同一分布的连续数据集上执行聚类时，该方法特别有效，其中一个数据集上误差较低的中心可以预测后续数据集的敏感度，与现有方法相比，在聚类成本与运行时间方面提供了改进。 AI

影响 提高了大规模聚类任务的效率，可能使依赖数据划分的AI应用受益。

排序理由 该聚类包含一篇详细介绍k均值聚类新算法方法的论文。

在 arXiv cs.LG 阅读 →

AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →

基于预测的新方法加速了大型数据集的k均值聚类

报道来源 [2]

  1. arXiv cs.LG TIER_1 English(EN) · Cristian Boldrin, Fabio Vandin ·

    Sensitivity Sampling with Predictions for k-Means Clustering

    arXiv:2607.04949v1 Announce Type: new Abstract: We study the problem of k-means clustering on large datasets. The state-of-the-art for the problem is given by coresets-based approaches, which build small weighted summaries of the input and derive approximate solutions with rigoro…

  2. arXiv cs.LG TIER_1 English(EN) · Fabio Vandin ·

    Sensitivity Sampling with Predictions for k-Means Clustering

    We study the problem of k-means clustering on large datasets. The state-of-the-art for the problem is given by coresets-based approaches, which build small weighted summaries of the input and derive approximate solutions with rigorous quality guarantees from them. One of the most…

相关实体

相关话题