基于高阶一致性学习的聚类集成算法

摘要：

现有的大部分关于聚类集成的研究主要关注有效的集成算法的设计.为解决由于基聚类器的质量高低不一、低质量的基聚类器对聚类集成性能产生影响的问题,从数据发掘的角度出发,以基聚类器为基础挖掘数据的内在联系,提出一种高阶信息融合算法——基于高阶一致性学习的聚类集成(HCLCE)算法,从不同的维度表示数据之间的联系.首先,将每种高阶信息融合成一个新的结构化的一致性矩阵;然后,再对得到的多个一致性矩阵进行融合;最后,将多种信息融合为一个一致性的结果.实验结果表明,与次优的LWEA(Locally Weighted Evidence Accumulation)算法相比,HCLCE算法的聚类准确率平均提升了7.22%,归一化互信息(NMI)平均提升了9.19%.可见,HCLCE能得到比聚类集成算法和单独使用一种信息更好的聚类结果.

关键词：聚类集成、一致性学习、高阶信息、双随机约束、结构化、相似性矩阵

所属期刊栏目：43

分类号：TP181(自动化基础理论)

在线出版日期：2023-10-09（万方平台首次上网日期，不代表论文的发表时间）

页数：共8页

页码：2665-2672