Integrating semi-supervised learning with density tree structures for scalable clustering

doi:10.1016/j.asoc.2025.114147

Integrating semi-supervised learning with density tree structures for scalable clustering

2025-11-04

0

PRE

AI

DOI：10.1016/j.asoc.2025.114147

原文链接

原文求助

摘要

En 中文

• 提出了一种新的半监督聚类算法SDT，它自适应地识别局部密度中心，能够探索具有任意形状、大小和密度的数据集。 • SDT通过结合节点密度和邻居信息构建密度树，使其能够适应不同密度和形状的聚类。 • 种子聚类的传播过程被重新定义，有效最小化了子聚类扩散过程中聚类间干扰的风险。 • 在合成数据集和真实世界数据集上进行了大量实验，所有情况下SDT均一致优于其他对比算法，使其成为聚类的最佳选择。

Integrating semi-supervised learning with density tree structures for scalable clustering

摘要

期刊

机构

引用论文