.png){kind=icon}
返回
Self-paced and structured graph-based ensemble clustering
.png){kind=icon}
PRE
AI
DOI：10.1016/j.sigpro.2025.110269.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
集成聚类是数据挖掘中的一个重要主题，它结合多个基聚类以产生更鲁棒且有效的聚类模型。学者们已在集成聚类领域提出了许多方法，并在过去几年中做出了重要的理论贡献。然而，这些方法仍存在一些不足之处。首先，现有方法将每个基聚类同等对待。其次，困难样本未得到充分考虑，这可能会影响优化过程。为解决上述局限性，我们提出了一种新颖的自定步调且基于结构图的集成聚类算法（S2GEC），该算法引入自定步调学习，逐步从易到难地将样本纳入训练过程。此外，我们还提出了一种统一的优化框架，可同时评估样本和基聚类，以获得共识聚类结果。而且，S2GEC能够获得结构化相似度矩阵，直接提取聚类指标。在常用数据集上进行的大量实验已证明我们算法的优越性。
