Dynamic Anchor-Based One-Step Hypergraph Ensemble Clustering

Xu, Jiaxuan

doi:10.1109/tkde.2026.3710223

Dynamic Anchor-Based One-Step Hypergraph Ensemble Clustering

2026-09-01

0

PRE

AI

DOI：10.1109/tkde.2026.3710223

原文链接

原文求助

摘要

En 中文

集合聚类旨在从一组基础聚类结果中推导出更稳健的共识结果。最近，基于锚点的聚类方法通过学习锚点与样本之间的关系提高了计算效率，从而避免了昂贵的成对样本相似度计算。然而，这些方法通常依赖于静态的锚点选择策略，并需要后处理才能获得最终的聚类分配。这往往导致锚点缺乏灵活性以及低质量的锚点相似度矩阵，最终降低聚类精度。为解决此问题，我们提出了一种名为动态锚点基于一阶超图集合聚类的DREAM（Dynamic ancho R-based One-step hypE rgrAph ense M ble clustering）新方法。具体而言，DREAM首先将基础聚类结果转换为超图。然后，它引入了一种新颖的超图增强策略以提高初始超图的可靠性。接下来，DREAM引入一个映射矩阵来过滤超图中的冗余信息，并通过矩阵分解重建超图以获得锚点相似度矩阵。随后，DREAM引入一种对齐机制，通过生成局部共识信息来优化锚点相似度矩阵。对齐通过最大化锚点相似度矩阵与局部共识信息之间的逐元素一致性实现。这产生了一个高质量的锚点相似度矩阵，可以直接投影到标签空间，实现一步生成聚类结果而无需任何额外后处理。广泛的实验结果表明所提出的DREAM方法具有卓越的性能。

Keyword:

Matrices

Educational institutions

Learning (artificial intelligence)

Optimization

Conferences

Accuracy

Artificial intelligence

Clustering methods

Boats

Labeling

One-step ensemble clustering

dynamic anchor learning

hypergraph reconstruction

Dynamic Anchor-Based One-Step Hypergraph Ensemble Clustering

摘要

期刊

机构

引用论文