.png){kind=icon}
返回
Efficient data stream clustering via elastic sparse representation and Bayesian dictionary learning
.png){kind=icon}
PRE
AI
DOI：10.1016/j.eswa.2025.126889.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
现有数据流聚类算法面临两大关键挑战：(1) 通过设计能够处理连续数据流的算法来降低资源消耗；(2) 高效处理大规模数据并识别数据对象的内在结构。为应对这些挑战，本文引入了一种基于弹性稀疏表示和贝叶斯字典学习（ESRBDL）的高效数据流聚类方法。首先，我们控制地标窗口的大小，在确保数据对象丰富性的同时，利用模糊规则限制数据对象数量，从而管理连续数据流。其次，引入弹性惩罚项以增强模型灵活性，在保持稀疏性的同时提高对不同数据特征的识别能力。第三，我们应用贝叶斯理论从初始字典分布中推断真实后验分布，有效识别数据对象间的内在关系。最后，采用谱聚类算法对数据流进行聚类。此外，在五个合成数据集和六个真实数据集上进行了对比实验，以将所提方法与先进的数据流聚类方法进行基准比较。实验结果表明，ESRBDL在数据流聚类中具有有效性和鲁棒性。
Keyword:
Data stream
Bayesian dictionary learning
Sparse representation
Clustering
期刊
IF:
7.5
论文数:
3.0W
被引数:
10.2W
机构
引用论文
Statistical hierarchical clustering algorithm for outlier detection in evolving data streams.png)
MACHINE LEARNING
OAAI
MACHINE LEARNINGIF2.9
OAAI分享收藏
查看更多内容