.png){kind=icon}
返回
Efficient error minimization in kernel k-means clustering
.png){kind=icon}
OA
AI
DOI：10.1007/s10044-025-01463-4.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
核k-means算法将k-means算法扩展到识别非线性可分簇，但本质上对簇初始化敏感。为解决这一挑战，我们首先提出了核k-means++方法，该方法将k-means++的高效中心初始化策略从欧几里得空间推广到核空间。在此基础上，我们提出了全局核k-means++（\text{GK}k\text{M}++），一种新型聚类算法，旨在平衡聚类误差最小化与计算成本降低。\text{GK}k\text{M}++通过引入核k-means++的随机初始化策略，扩展了成熟的全局核k-means算法。该方法显著降低了计算复杂度，同时保留了与传统全局核k-means相当的优秀聚类误差最小化能力。在合成数据集、真实数据集和图数据集上的实验结果表明，\text{GK}k\text{M}++在性能上始终优于随机初始化的核k-means和核k-means++，并实现了与计算密集型的全局核k-means方法相当的结果。
Keyword:
Clustering
Graph partitioning
Kernel k-means
Global kernel k-means
Global optimization
期刊
IF:
2
论文数:
1.9K
被引数:
1.9K
机构
引用论文
Kernel k-means.png)
Proceedings of the tenth ACM SIGKDD international conference on Knowledge discovery and data mining
Proceedings of the tenth ACM SIGKDD international conference on Knowledge discovery and data miningIF0
PREAI
分享收藏Global k-means plus plus : an effective relaxation of the global k-means clustering algorithm全局k-means + +: 全局k-means聚类算法的有效松弛APPLIED INTELLIGENCE
APPLIED INTELLIGENCEIF3.5
PREAI
分享收藏A comparative study of efficient initialization methods for the k-means clustering algorithmK-means聚类算法高效初始化方法的比较研究
PREAI
分享收藏An extensive comparative study of cluster validity indices聚类有效性指标的广泛比较研究PATTERN RECOGNITION
PATTERN RECOGNITIONIF7.6
PREAI
分享收藏分享收藏
查看更多内容