k-means clustering
PulseAugur coverage of k-means clustering — every cluster mentioning k-means clustering across labs, papers, and developer communities, ranked by signal.
12 天有情绪数据
-
开发者构建自定义大型语言模型管道以自动整理 500 个 Jira 工单
一位开发者创建了一个自定义管道，使用机器学习和大型语言模型自动处理和组织 Jira 工单，弥补了 Atlassian 原生工具的不足。该过程包括自然语言处理预处理、TF-IDF 向量化和 K-Means 聚类，以按主题对工单进行分组并检测重复项。随后，使用 Gemini 2.5 Flash 和选择性 RAG 基础来生成丰富的集群名称，识别与年龄相关的重复项洞察，并生成执行摘要。
-
DeepSeek R1 LLM 从房地产文件中提取结构化数据
研究人员开发了一个端到端的流程，用于从异构房地产文件中提取结构化数据，包括扫描表格和复杂布局。该系统将文档分为三类，然后使用 DeepSeek R1 大型语言模型提取 35 个预定义的房产属性，并将数据以 JSON 对象的形式返回。该方法成功处理了 2781 份文档，产生了 2766 条经过验证数据质量的唯一房产记录，证明了大规模提取的可行性和可靠性。
-
新的无监督框架i-IF-Learn解决了高维数据挑战
研究人员开发了i-IF-Learn，一个新颖的无监督框架，通过同时进行特征选择和聚类来解决高维数据挑战。该方法识别对定义数据簇至关重要的影响特征，从而减轻了高维数据集中常见的噪声和不相关性。该框架的自适应特征选择统计量根据中间标签的可靠性动态调整，防止了迭代方法中常见的错误传播。实验表明，i-IF-Learn的性能优于现有的聚类基线，并显著提高了下游深度学习模型的性能。
-
基于预测的新方法加速了大型数据集的k均值聚类
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。
-
机器学习基础：监督学习、无监督学习和集成技术
本文深入探讨了机器学习的基本概念，涵盖了监督学习和无监督学习技术。通过函数逼近、偏差-方差权衡以及决策树、朴素贝叶斯、k近邻和支持向量机等常用算法来探讨监督学习。对于无监督学习，讨论侧重于聚类方法，如层次聚类和k-means，并解决了噪声和算法稳定性等挑战。文章还涉及了装袋法（bagging）和提升法（boosting）等集成学习方法，并简要介绍了强化学习。
-
HERMES 为 AI 预训练数据引入分层标注
研究人员开发了 HERMES，这是一种新颖的标注基底，旨在改进 AI 模型预训练数据混合。与依赖固定语义轴或粒度的现有方法不同，HERMES 提供了一个源自数据本身的分层系统。这允许灵活控制粒度，从而实现更细致的数据混合设计，并可能揭示固定粒度管道无法测试的数据质量与覆盖范围之间的相互作用。
-
新的MNAR-k-means方法改进了缺失数据的聚类
研究人员开发了一种新的k-means聚类方法，MNAR-$k$-means，旨在处理具有随机缺失值（MNAR）的数据集。该方法专门解决了数值绝对值越小越可能缺失的情况。所提出的技术约束了插补值，并通过数学解释确保了估计的聚类中心的统计一致性。使用替代最小化算法来优化损失函数，模拟证明了其在改进聚类结果和减少偏差方面的有效性。
-
CLEAR-MoE 将冻结的 Vision Transformers 转换为稀疏 MoE 模型
研究人员开发了 CLEAR-MoE，这是一种新颖的训练后方法，可以将冻结的 Vision Transformers (ViTs) 转换为稀疏专家混合 (MoE) 模型，而无需更改原始骨干网络的权重。该技术涉及一个四阶段的流程，对前馈网络层进行评分和分解，训练轻量级路由器，并分派 token。在各种 ViT 骨干网络上进行的实验表明，CLEAR-MoE 可以保留几乎所有密集模型的准确性，其中共享的奇异值分解 (SVD) 基础对于保持性能…
-
新型防御措施过滤语音命令系统中的中毒数据
研究人员开发了一种新颖的防御机制，以抵御针对语音命令分类系统的数据中毒攻击。所提出的方法利用 DINO 进行无监督学习来生成训练数据的表示，然后进行 K-means 和 LDA 聚类。通过仅保留每个聚类中最常标记的语句，该系统有效地过滤了中毒数据，在 10% 中毒数据的测试中，将攻击成功率从近 100% 显著降低到仅 0.25%。
-
新的CGSD算法增强了异质图上的无监督社群检测
研究人员推出了一种新颖的无监督算法——曲率引导束扩散（CGSD），用于异质图中的社群检测。该方法在整个流程中独特地利用边的离散Forman-Ricci曲率作为其主要信号。CGSD包含一种新颖的编码器和一种感知曲率的光谱聚类器（CSpec），在多个异质基准测试上，其性能优于标准的k-means聚类。
-
新的 Shapley 启发式 k-均值算法增强了特征加权
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。
-
生成式口语模型以较低比特率实现高质量语音
一篇新发表在arXiv上的研究论文探讨了生成式口语建模（GSLM）在语音合成和续写方面的有效性。该研究调查了k-means聚类中不同的分段宽度和聚类大小如何影响不同比特率下的语音质量。研究人员发现，与先前认为的相比，在较低比特率下即可实现清晰自然的语音，并且语音续写质量保持稳定。该论文指出，当前的GSLM设置可能过于复杂，并强调了改进自动评估方法的必要性，因为基于LLM的指标与人类主观评分的相关性仍然较低。
-
新方法使用语言模型聚类预训练Tsetlin Machine以提高可解释性
研究人员开发了一个新颖的框架，通过整合来自BERT等预训练语言模型的知识来增强Tsetlin Machines (TMs) 的可解释性。该方法使用K-means或Top2Vec将文本样本分组为语义聚类，然后用于预训练TM。这种方法使TM能够学习可解释的语义关键词，在保持其固有的透明度的同时，实现了与BERT相当的性能。
-
AI框架在无人类标签的情况下学习骨折表型
研究人员开发了一种新颖的、无需标签的框架，用于通过自监督学习来表征胫骨平台骨折。该方法通过直接从影像数据中学习骨折表征，绕过了需要人工分配标签的步骤，从而避免了观察者间变异性。该系统利用经过微调的ResNet-50编码器和SimCLR目标，识别出四种不同的骨折表型。这些表型表现出稳健的稳定性和内部一致性，专家验证证实了它们的临床可解释性以及与Schatzker和AO/OTA等传统分类系统无关的独立性。
-
BioArtlas 计算工具绘制复杂生物艺术领域图谱
Joonhyung Bae 开发了 BioArtlas，一个旨在组织和分析生物艺术领域的计算工具。该图谱跨越多个精选维度来呈现生物艺术作品，能够基于概念相似性而非媒介或年代等传统类别进行比较。BioArtlas 使用凝聚聚类，达到了 0.664 的轮廓系数，显著优于将该领域划分为不同簇的常见 k-means 基线 0.483。该项目旨在将生物艺术的复杂景观转化为一个可导航的空间，提供交互式界面和开放数据集。
-
新方法使用最优传输进行几何域自适应
研究人员开发了一种使用最优传输进行线性回归域自适应的新方法。该方法利用理论见解来恢复R^2中的几何变换，如旋转和平移，即使在目标数据有限的情况下也能实现自适应。该方法结合了k-means聚类和最优传输，在机器学习任务中提供了可解释性和实用价值。
-
语音模型通过参数聚类进行压缩
研究人员开发了一种无需额外数据或重新训练即可压缩语音基础模型的新方法。该方法利用k-means进行通道聚类，通过改变每层的聚类数量来探索混合稀疏性剪枝。在LibriSpeech上的实验表明，与基于幅值的剪枝相比，在HuBERT-large和Whisper-large-v3等模型上，即使在相当高的稀疏度下，词错误率（WER）也显著降低。
-
新的集成深度聚类方法改进了电子健康记录患者分层
研究人员开发了一种基于集成的深度聚类方法，以利用电子健康记录（EHRs）改进患者分层。这种新方法整合了来自多个嵌入维度的聚类分配，其表现优于K-means和单一深度学习方法等传统方法。该研究利用了All of Us Research Program的EHR数据，强调了结合传统和深度聚类技术的好处，特别是在表格EHR数据和按性别进行的分析中。
-
图聚类在语音术语发现方面优于K-means
研究人员发表了一篇论文，提出基于图的聚类作为无监督语音术语发现的优越方法。与创建均匀分布的K-means等传统基于中心的方法不同，图聚类（特别是使用Leiden算法）能生成更符合齐夫分布的分布，更能代表自然词汇。该方法在三种语言的单词和音节发现方面均表现出优越的性能。
-
Flash-GMM 内核将 GMM 聚类速度提升 20 倍，支持更大规模数据集
研究人员开发了 Flash-GMM，这是一种专为 GPU 上高斯混合模型 (GMM) 高效计算而设计的新型融合 Triton 内核。该内核通过避免完全物化责任矩阵来显著降低内存需求，从而实现了 20 倍的速度提升，并使得在单个设备上处理比以往大 100 倍的数据集成为可能。Flash-GMM 已集成到近似最近邻搜索中，为 k-means 聚类提供了一种可行的替代方案，并提高了召回率。