.png){kind=icon}
返回
An adaptive representative point-driven granular-ball clustering algorithm
.png){kind=icon}
PRE
AI
DOI：10.1007/s13042-026-03131-3.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
基于密度的聚类算法能够识别任意形状的簇并通过局部密度分析高效处理噪声点。然而，基于密度的聚类算法通常需要大量调整多个参数，且因最近邻搜索的时间复杂度导致计算成本高。为解决这些局限性，我们提出了一种自适应代表性点驱动的粒度球聚类算法（ARP-GB）。该算法首先利用k近邻（KNN）距离进行局部密度估计，实现跨不同密度区域的代表性点自适应选择。随后，在单步中基于欧氏距离将非代表性点分配给其最近的代表性点生成粒度球（GB）。通过自适应半径缩减动态优化GB边界，确保精确的簇划分。接着，ARP-GB重新定义GB内的点归属。最后，它直接在GB上根据重叠率动态执行标签传播，并将非代表性点分配给其最近的代表性点。通过利用近似最近邻搜索和通过GB的直接聚类，ARP-GB实现了显著的计算效率提升。值得注意的是，它仅需一个参数k用于KNN密度估计，相比传统密度-based方法有助于减少参数依赖。参数敏感性研究的实验结果证明了算法对参数变化的鲁棒性。在合成和真实数据集上的实验表明，ARP-GB在保持竞争性聚类准确性的同时实现了显著的效率增益。
Keyword:
Granular-ball
Approximate nearest neighbors
KNN
Representative point
Boundary reduction
期刊
IF:
2.7
论文数:
3.2K
被引数:
5.6K
机构
引用论文
An improved density peaks clustering algorithm based on mutual nearest neighbor distance一种基于互最近邻距离的改进密度峰值聚类算法
PREAI
分享收藏GBNRS: A Novel Rough Set Algorithm for Fast Adaptive Attribute Reduction in ClassificationGBNRS: 一种新的粗糙集分类快速自适应属性约简算法
PREAI
分享收藏RNN-DBSCAN: A Density-Based Clustering Algorithm Using Reverse Nearest Neighbor Density EstimatesRnn-dbscan: 使用反向最近邻密度估计的基于密度的聚类算法
OAAI
OAAI分享收藏An adaptive density clustering approach with multi-granularity fusion一种多粒度融合的自适应密度聚类方法.png)
INFORMATION FUSION
INFORMATION FUSIONIF15.5
PREAI
分享收藏A robust possibilistic semi-supervised fuzzy clustering algorithm with neighborhood-aware feature weighting一种鲁棒的基于可能性的半监督模糊聚类算法，具有邻域感知的特征加权
PREAI
分享收藏
查看更多内容