.png){kind=icon}
返回
Efficient streaming data clustering guided by self-refined organizing map
.png){kind=icon}
PRE
AI
DOI：10.1142/S0219691325500274.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
流式数据聚类是数据挖掘和机器学习领域的一个重要研究方向。与静态数据不同，流式数据通常分批次处理，且更容易出现动态聚类不平衡问题。这意味着不同数据批次间的聚类不平衡程度可能发生变化，当前聚类方法在分析流式数据时可能因此影响准确性或效率。为解决这一挑战，提出了自精炼组织映射引导聚类（SOMAC），这是一种针对不平衡流式数据的有效聚类方案。SOMAC通过开发增强型自组织映射（SOM）来表示整体数据分布。首先，对SOM进行优化以引导数据集划分为大量微聚类，有助于捕捉在处理不平衡数据时可能被忽略的小规模聚类。随后，通过SOM的快速检索实现这些微聚类的有效合并，自动确定真实的不平衡聚类数量。与现有不平衡数据聚类方法相比，SOMAC的时间复杂度低至O(nlog n)，同时保持了高度竞争力的聚类精度。此外，SOMAC具备可解释性，且对超参数变化具有鲁棒性。大量实验验证了其有效性和效率。
Keyword:
Streaming data clustering
imbalanced data
self-organizing map
incremental learning
期刊
I
IF:
0.8
论文数:
39
被引数:
717
机构
暂无机构信息
引用论文
.png){kind=icon}
分享收藏分享收藏
Fall detection method based on spatio-temporal coordinate attention for high-resolution networks基于时空坐标关注的高分辨率网络跌倒检测方法
OAAI
OAAI分享收藏分享收藏
查看更多内容