spectral clustering
PulseAugur coverage of spectral clustering — every cluster mentioning spectral clustering across labs, papers, and developer communities, ranked by signal.
4 天有情绪数据
-
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。