域间F-范数正则化迁移谱聚类方法

摘要：

传统聚类算法在目标数据集被噪声或异常数据大量污染的场景下聚类效果不佳.针对此问题,在经典谱聚类算法(spectral clustering,SC)基础上加入迁移学习知识,提出了新的域间F-范数正则化迁移谱聚类算法(transfer spectral clustering based on inter-domain F-norm regularization,TSC-IDFR).该算法通过第K最近邻原则为目标域数据从源域(历史数据)获取等量的可参照数据样本,然后基于域间F范数正则化机制,迁移这些源域可参照数据样本的谱聚类特征矩阵,以辅助目标域数据集上的谱聚类过程,从而解决实际问题中由于目标域数据污染带来的聚类难题,最终提高谱聚类效果.通过在模拟数据集和真实数据集上的仿真实验,证明了该算法的有效性.

关键词：迁移学习、谱聚类、正则化

所属期刊栏目：12

分类号：TP391(计算技术、计算机技术)

资助基金：The National Natural Science Foundation of China under Grant No.61170122;the New Century Excel-lent Talents Program of Ministry of Education of China under Grant No.NCET-120882;the Funda-mental Research Funds for the Central Universities of China under Grant No.JUSRP51614A

在线出版日期：2018-03-30（万方平台首次上网日期，不代表论文的发表时间）

页数：共12页

页码：472-483