An Anchor Graph-based Clustering Framework for Imbalanced Large-scale Data

Guoping Kong

doi:10.1016/j.patcog.2026.114473

An Anchor Graph-based Clustering Framework for Imbalanced Large-scale Data

2026-07-01

0

PRE

AI

DOI：10.1016/j.patcog.2026.114473

原文链接

原文求助

摘要

En 中文

锚图是一种强大的大规模数据聚类方法，具有高计算效率和有竞争力的聚类性能。然而，现有的锚图聚类方法在锚生成过程中通常忽略小规模集群，导致最终分区中出现平衡聚类，这在处理不平衡数据时会造成显著的性能下降。为解决此问题，提出了一种面向不平衡大规模数据的锚图聚类框架（AGC-ILD）。AGC-ILD相较于现有工作有三个主要贡献：（1）为缓解锚生成过程中小规模集群的代表性不足，开发了一种基于Boltzmann算子的锚选择方案，以增强小规模集群的表示并提高重叠区域的鲁棒性；（2）为减轻锚图中锚度倾斜引起的传播偏差，提出了温控锚图校正策略，在保持局部几何结构的同时重新平衡锚的影响；（3）为解决锚标签学习中缺乏不平衡感知的问题，在标签传播过程中引入了不平衡感知正则化项，以显式建模集群分布先验，从而在不平衡场景下实现更好的表示学习。理论分析和大规模不平衡数据集上的广泛实验表明，AGC-ILD能持续提升聚类性能，尤其对提升小规模集群的性能效果显著，同时保持了锚图聚类的计算效率。代码可在https://github.com/kongguoping/AGC-ILD获取。

Keyword:

Anchor graph-based clustering

Imbalance large-scale data

Anchor graph correction

Imbalance-aware regularization

An Anchor Graph-based Clustering Framework for Imbalanced Large-scale Data

摘要

期刊

机构

引用论文