A density-driven graph-based clustering model with adaptive outlier recognition

doi:10.1016/j.ipm.2025.104436

A density-driven graph-based clustering model with adaptive outlier recognition

2025-10-10

0

PRE

AI

肖晶晶 (Jingjing Xiao) *

DOI：10.1016/j.ipm.2025.104436

原文链接

原文求助

摘要

En 中文

聚类性能在存在离群点时通常会恶化，尤其是在现有算法表现出高参数敏感性和计算低效性时。为解决这些局限性，我们提出了一种基于密度的自适应离群点识别图聚类算法。该方法将局部密度估计整合到图构建框架中，以动态识别并抑制离群点，确保学习到的相似性图仅基于可靠样本。此外，我们引入了一种基于非负矩阵分解（NMF）的特征向量近似策略，将拉普拉斯秩约束重新表述为正则化项，从而降低参数依赖性和计算负担。开发了一种具有理论收敛保证的迭代优化方案，以高效求解所得问题。在两个合成数据集和十一个真实世界数据集（包括Yale（165个样本）、COIL100（7200）、ALOI（10800）、CIFAR100（50000）和MNIST（60000））上的广泛实验表明，我们的方法始终位列前三名。值得注意的是，在几个数据集上，它比竞争性基线方法高出约5%，并且在注入10%离群点时，其领先性能较最先进方法提升超过5%。这些结果证实了所提算法在干净和噪声场景下的鲁棒性、可扩展性和准确性。所提方法的实现代码公开可访问于：https://github.com/PhdJiayiTang/RCAL 。

A density-driven graph-based clustering model with adaptive outlier recognition

摘要

期刊

机构

引用论文