Efficient greedy optimization method for k-means

doi:10.1016/j.patcog.2025.112140

Efficient greedy optimization method for k-means

2025-07-11

0

PRE

AI

DOI：10.1016/j.patcog.2025.112140

原文链接

原文求助

摘要

En 中文

k-means是一种广泛使用的经典聚类算法，已有大量研究致力于提升其性能。本文首先回顾了改进k-means的先前方法，并强调了贪心策略的重要性。受此启发，我们提出了一种基于贪心的k-means优化算法，称为贪心局部k-means（GLKM）。GLKM最初将每个样本视为独立簇，并采用贪心合并策略，基于最小化增量k-means损失来迭代合并簇对。利用k近邻图关注局部结构并提高效率。采用红黑树直接检索合并的簇对。GLKM能产生确定的聚类结果，无需随机初始化或多次运行即可获得最优聚类结果。此外，它避免了产生空簇。在合成和基准数据集上的实验证明了GLKM的有效性和优越性。其处理各种数据类型和规模的能力使其成为广泛真实场景下的可靠选择。

Keyword:

k-means

greedy strategy

clustering algorithm

local structure

red-black tree

Efficient greedy optimization method for k-means

摘要

期刊

机构

引用论文