spectral clustering
PulseAugur coverage of spectral clustering — every cluster mentioning spectral clustering across labs, papers, and developer communities, ranked by signal.
7 天有情绪数据
-
新理论将聚类方法统一为结构化投影器
一个新的理论框架通过将各种聚类方法（包括k-means、模糊c-means和谱聚类）表示为结构化低秩投影器，从而统一了它们。这种方法揭示了不同聚类家族之间的代数联系，并对其在噪声和数据泄露条件下的稳定性和恢复能力提供了理论保证。该研究为理解聚类算法提供了一个统一的、由理论驱动的基础。
-
新框架使用无监督学习进行马尔可夫模型状态构建
本文介绍了一种使用数据驱动方法构建马尔可夫模型状态的新框架。它通过结合监督特征选择和无监督学习技术（如基于密度的聚类、谱聚类和Kohonen自组织映射）来解决任意状态定义的常见问题。研究表明，谱聚类和Kohonen自组织映射在识别固有结构方面特别有效，从而提高了马尔可夫模型的准确性和预测能力。
-
新课程讲义详述用于机器学习和偏微分方程的高级数值线性代数
这篇题为《高级线性代数及其应用 - 第一部分》的论文，介绍了一门面向硕士生的数值线性代数课程，重点关注其在传统偏微分方程之外日益增长的重要性。文章强调了机器学习、数据同化和网络分析中的大规模问题如何共享共同的数值线性代数挑战。讲义涵盖了范数、分解、迭代方法（共轭梯度法、Lanczos法、Arnoldi法、GMRES法）和预处理技术等基本主题，并全部通过Python代码进行说明。
-
人工智能利用牛奶光谱识别奶牛健康群体
研究人员开发了一种利用牛奶中红外光谱的元聚类方法，以识别早期泌乳期经历负能量平衡的奶牛的不同群体。通过结合光谱滤波、主成分分析（PCA）和自动编码器等降维技术，以及k-means和谱聚类等聚类算法，他们识别出了五个元聚类。这些聚类与泌乳天数高度相关，并显示出不同程度的负能量平衡，其中一些群体表现出快速或早期恢复。值得注意的是，一种计算效率高、基于PCA的k-means方法有效地复制了更复杂方法的研究结果。
-
新研究探索高斯混合块模型中的谱聚类
研究人员已开始研究从高维高斯混合块模型中采样的图的聚类和嵌入。该方法旨在通过将每个顶点与潜在特征向量相关联来对现代网络进行建模，其中边根据特征相似性添加。该研究侧重于特征向量维度随网络大小增加的高维设置，分析了 2 分量球形高斯混合的谱聚类和嵌入算法的性能。
-
新的Dempster-Shafer框架通过混沌冲突度量增强证据融合
研究人员开发了一种新的Dempster-Shafer理论下的多源证据融合框架，解决了现有方法中的关键局限性。所提出的系统引入了一种新颖的混沌冲突度量，以联合评估证据间的冲突和证据内的不确定性。此外，它还包含一个由历史经验驱动的加权方案，该方案利用谱聚类和遗憾理论来确定不同决策情境下证据来源的长期可靠性。在16个基准数据集上的实验表明，该框架的平均F1得分为85.78，平均AUC为93.30，优于几种基线方法。
-
新的谱嵌入为网络数据分析提供统一理解
研究人员开发了一种用于网络数据的度归一化谱嵌入的连续体，其中包含诸如邻接矩阵和对称拉普拉斯算子之类的常见表示。他们使用随机点积图模型，为这一嵌入族建立了逐行中心极限定理。该定理详细说明了度归一化如何影响嵌入数据的整体结构和单个节点的.不确定性。该研究进一步分析了双社区随机块模型中的这些归一化，揭示了最佳选择取决于网络密度、社区不平衡和块概率结构等因素，在更稀疏或更不平衡的网络中，更强的归一化通常是有益的。
-
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。
-
新理论解释了贪心搜索的最优聚类结果
一项新的理论分析，即固定核心分配理论（Fixed-Core Assignment Theory），解释了为什么贪心搜索能够实现最优聚类结果，尤其是在处理不规则聚类形状和不同密度的情况下。该理论将贪心搜索过程映射到分区拟阵（partition matroid），证明了其固有的最优性。该研究为“聚类即分布”（Cluster-as-Distribution, CaD）聚类目标提供了近最优保证，通过真实分布嵌入与经验分布嵌入之间的近似误差来控…
-
新的无监督方法评估用于音乐结构分析的深度音频嵌入
研究人员开发了一种无监督方法来评估用于音乐结构分析的深度音频嵌入，旨在克服需要大量标注数据的监督学习方法的局限性。该研究评估了九个开源深度音频模型，提取了逐小节嵌入，并使用三种无监督算法进行分割：Foote的棋盘核、谱聚类和相关块匹配（CBM）。结果表明，通用的深度嵌入总体上优于传统的基于频谱图的基线，而CBM被证明是最有效的分割方法。该论文还提倡采用“修剪”或“双重修剪”标注，以提出更严格的音乐结构分析评估标准。
-
机器学习策略改进了用于心肌病诊断的心脏PET/MRI数据分析
研究人员开发了一种新的无监督机器学习策略，用于分析多模态心脏PET/MRI数据以诊断致心律失常性左室心肌病。该方法对99名患者的T1和T2图、LGE和18F-FDG-PET图像采用两步聚类方法。该技术生成自动健康报告，在识别医生观察结果和可视化与疾病相关的异常区域方面达到了0.76的平衡准确率。
-
新框架对具有理论保证的MAXCUT聚类算法进行分析
本文介绍了一个新的框架，用于分析用于划分从两个亚高斯分布混合物中抽取的样本的三个算法——SDP1、BalancedSDP和谱聚类。研究人员为这些算法提供了统一的理论保证，表明只要定义的信噪比（SNR）足够高，即使在部分恢复的情况下，它们也能实现多项式错误分类率。此外，研究表明SDP1和BalancedSDP的错误分类误差随SNR呈指数衰减，当簇大小相等时，BalancedSDP无需显式去偏。
-
新算子简化了机器学习中高阶结构的分析
研究人员开发了折叠有效算子（Collapsed Effective Operators），一种用于分析关系建模中高阶结构的新方法。该技术将复杂的拓扑信息浓缩为单一的顶点级算子，保持了半正定性，并在高阶连通性下有效降低了系统能量。该算子在谱聚类和信号平滑方面已显示出经验性改进，并通过位置编码实现了拓扑特征与神经网络架构的集成。
-
新的 CDL 指标改进了无监督聚类验证
研究人员引入了一个名为中心描述长度 (CDL) 的新聚类验证指标。该指标旨在改进无监督机器学习任务中聚类算法和超参数的选择，尤其适用于复杂数据集。CDL 基于簇内紧密度以及估计的簇中心和协方差来评估分区，在不需要真实标签的情况下提供了描述长度的概率上限。在合成数据集和图像数据集上的测试表明，CDL 在识别正确簇数量和获得更高的调整兰德指数 (Adjusted Rand Index) 分数方面优于传统指标。
-
新的谱聚类方法使用MDL改进图正则化
研究人员开发了一种新的谱聚类方法，称为MDL-GBTRSC，旨在改进亲和图的构建。该方法利用最小描述长度（MDL）原理构建细粒度球树，有效正则化样本级图。通过保留可靠的局部连通性并使用稳定的叶球进行编码尺度信息，MDL-GBTRSC将表示学习与图构建联系起来。实验表明，该方法在各种数据集上的表现优于现有的谱聚类方法。
-
新算法解决了图中的节点私有社区估计问题
研究人员开发了用于随机块模型中社区恢复的新算法，该算法纳入了节点差分隐私。这些方法旨在对图结构的节点级变化保持稳定，这比边隐私更具挑战性。提出的技术包括谱聚类、私有PCA和新颖的图投影框架，所有这些都可以在多项式时间内计算。该工作还为在这些节点私有约束下进行一致社区估计所需的隐私参数$\epsilon$建立了新的下界。