.png){kind=icon}
返回
Adversarially Robust Clustering With Optimality Guarantees
.png){kind=icon}
PRE
AI
DOI：10.1109/TIT.2025.3628160.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
我们考虑来自亚高斯混合分布的数据点聚类问题。现有能够保证达到最优误标签误差的方法（如Lloyd算法）通常对离群点敏感。相比之下，看似对对抗性扰动鲁棒的聚类方法并不满足最优统计保证。我们提出了一种基于坐标中位数的简单鲁棒算法，即使在允许存在对抗性离群点的情况下也能获得最优误标签率。当满足较弱的初始化条件时，我们的算法在常数次迭代内即可达到最优误差率。在无离群点且维度固定的情况下，我们的理论保证与Lloyd算法相似。我们在各种模拟和公开数据集上进行了大量实验，以支持我们方法的理论保证。
Keyword:
Clustering algorithms
Labeling
Robustness
Noise
Measurement
Iterative algorithms
Estimation error
Error analysis
Electric breakdown
Standards
Adversarial outliers
iterative algorithms
mislabeling
robust centroid estimation
sub-Gaussian mixture models
期刊
I
IF:
2.9
论文数:
317
被引数:
0
机构
引用论文
.png){kind=icon}
Achieving Optimal Clustering in Gaussian Mixture Models with Anisotropic Covariance Structures在具有各向异性协方差结构的Gaussian Mixture Models中实现最优聚类
PREAI
分享收藏
查看更多内容