Local Structure Preservation for Nonlinear Clustering
Local Structure Preservation for Nonlinear Clustering
复制标题
非线性聚类的局部结构保留
DOI：
10.1007/s11063-020-10251-6
复制
发表时间：
2020-05
影响因子：
3.1
通讯作者：
Malong Tan
中科院分区：
文献类型：
--
作者：
Linjun Chen;Guangquan Lu;Yangding Li;Jiaye Li;Malong Tan
在本文中，我们提出了一种新的非线性聚类方法，以保持局部结构的功能。具体地说，我们的方法应用高斯核函数来实现高维投影，从而使原始数据线性可分。该方法在低维空间建立数据特征的相似性矩阵进行局部结构学习，避免了样本集的发散，保持了原有的最近邻结构关系。此外，我们的方法使用稀疏学习去除冗余的功能，使模型在学习过程中更强大。在8个基准数据集上的实验结果表明，该方法在聚类性能上上级现有的聚类方法。
In this paper, we propose a new nonlinear clustering method to preserve local structure of the features. Specifically, our method applies the gaussian kernel function to achieve high dimensional projection so as to make the original data linearly separable. Our method establishes the similarity matrix of data features in low-dimensional space to conduct local structure learning, as a result, it can avoid the divergence of sample sets and retain the original nearest neighbor structural relations. Furthermore, our method uses the sparse learning to remove the redundant features to make the model more robust in the process of learning. Experimental results on eight benchmark datasets show that our proposed method was superior to the state-of-the-art clustering methods in terms of clustering performance.
登录
查看更多内容
影响因子：
--
作者：
Asa Ben-Hur
通讯作者：
Asa Ben-Hur
DOI：
10.1049/iet-cvi.2015.0482
发表时间：
2017-04
期刊：
IET Comput. Vis.
影响因子：
--
作者：
Lina Liu;Shiwei Ma;Ling Rui;Jian Lu
通讯作者：
Lina Liu;Shiwei Ma;Ling Rui;Jian Lu
在成本敏感型学习中有效利用缺失数据
DOI：
10.1109/tkde.2019.2956530
发表时间：
2019-11
影响因子：
8.9
作者：
Zhu Xiaofeng;Yang Jianye;Zhang Chengyuan;Zhang Shichao
通讯作者：
Zhang Shichao
无创心电成像最大间隔聚类方法与支持向量回归的混合模型
影响因子：
--
作者：
Jiang M;Liu F;Wang Y;Shou G;Huang W;Zhang H
通讯作者：
Zhang H
DOI：
10.1016/j.cageo.2018.06.006
发表时间：
2018-10
期刊：
Comput. Geosci.
影响因子：
--
作者：
F. Matić;H. Kalinić;I. Vilibić
通讯作者：
F. Matić;H. Kalinić;I. Vilibić