clustering algorithm
PulseAugur coverage of clustering algorithm — every cluster mentioning clustering algorithm across labs, papers, and developer communities, ranked by signal.
3 天有情绪数据
-
LLM 与嵌入模型：新研究发现代价高昂的均等性
一篇题为《嵌入器的困境》的新论文比较了大型语言模型（LLM）与专用嵌入模型在各种任务上的性能和成本。研究发现，虽然像 Gemini 3.1 Pro 这样的 LLM 在平均表现上与顶级嵌入模型相当，但它们的成本却高得多，速度也慢得多。LLM 在推理密集型检索任务上表现出色，而嵌入模型更适合分类任务，两种范式在聚类和语义文本相似性方面的表现相似。
-
新研究详述可扩展时序图聚类方法
一篇新研究论文探讨了时序图的学习和聚类技术，重点关注如何通过聚合节点、边和时间动态信息来表示复杂的图数据。作者提出了用于谱聚类和模块度优化的GPU加速方法，并建议这些基本方法可以使时序聚类具有可扩展性。这项工作旨在弥合传统图算法与神经网络模型之间的差距，表明算法方法更适合属性稀疏的场景，而神经网络模型在结构和时间信号较强时表现更佳。
-
新的深度聚类集成方法解决不平衡表格数据问题
本文探讨了无监督深度聚类技术在不平衡表格数据上的应用，该领域中类别不平衡通常会阻碍监督分类。研究人员提出了两种新颖的深度聚类集成方法：一种方法聚合不同嵌入维度上的分配，另一种方法使用表现最佳算法之间的多数投票。在16个不平衡表格数据集上的实验表明，这些集成方法在准确率、归一化互信息和调整兰德指数得分方面通常优于单独的深度聚类方法，在无法获得类别标签时，为监督分类提供了一种稳健的替代方案。
-
新的WFAgg算法增强了去中心化联邦学习的安全性
研究人员开发了一种名为WFAgg的新型拜占庭鲁棒聚合算法，用于去中心化联邦学习（DFL）。该算法旨在通过识别和缓解拜占庭攻击来增强DFL环境的安全性，即使在动态去中心化拓扑中也是如此。实验结果表明，WFAgg在图像分类任务上能有效保持模型准确性和收敛性，其性能优于现有的中心化拜占庭鲁棒聚合方法，如Multi-Krum和Clustering。
-
新的AGREE框架统一了用于图聚类的异构属性
研究人员推出了一种新颖的框架AGREE，旨在应对异构属性图聚类的挑战。该端到端系统通过多级对齐和基于相似性的构建，将数值和类别数据等多种属性类型与图拓扑统一起来。AGREE采用基于四元数的图卷积来增强属性交互并减轻表示退化，同时利用浅层图架构来解决过平滑效应。该框架联合优化图重构和聚类的嵌入，在准确性、鲁棒性和适应性方面在各种基准测试中均表现出色。
-
新的机器学习算法利用数学形态学进行形状和密度分析
研究人员将来自视觉计算的数学形态学理论引入机器学习，以更好地分析数据中的形状和密度。他们开发了一种新颖的聚类算法，该算法使用形态学重建来保持簇的形状和密度，提供内置的噪声去除和噪声处理功能。此外，还提出了一种结合闵可夫斯基距离和切比雪夫距离的新距离度量，该度量在形态学操作方面比欧几里得距离快得多，并在各种数据集的 k-NN 分类中取得了很高的准确性。
-
Generalising maximum mean discrepancy: kernelised functional Bregman divergences
研究人员引入了一个新的函数式Bregman散度框架，将其应用扩展到希尔伯特空间和核方法。该方法利用这些空间的性质进行更方便的微积分和更容易的散度估计。该工作讨论了在聚类、通用估计、鲁棒估计和生成模型等领域的潜在应用。
-
新的关联性峰度度量增强了聚类算法评估
研究人员引入了一种名为关联性峰度（AP）的新度量标准，用于评估聚类算法的性能。该度量标准专门针对列联表进行了定制，列联表是聚类结果的常见输出格式。与用于向量对的现有度量标准相比，AP度量标准旨在提供更详细的性能特征，在涉及500个列联表的模拟中具有更高的动态范围和计算效率。