arXiv上的一篇新论文提出了e-means算法的两个反例。e-means是一种将指数平均与聚类复兴相结合的方法。作者们证明,即使从相同的初始中心开始,e-means也可能导致比标准k-means更高的最终损失。具体来说,该论文表明,即使采用k-means++初始化,e-means的基于质量的复兴组件也会导致次优解,并产生预期的损失比率无界。 AI
影响 强调了聚类算法的潜在局限性,促使对鲁棒方法进行进一步研究。
排序理由 该聚类包含一篇学术论文,详细介绍了已发布算法的反例。[lever_c_demoted from research: ic=1 ai=1.0]
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →