图优化的低秩双随机分解聚类

摘要：

低秩双随机矩阵分解聚类(low-rank doubly stochastic matrix decomposition for cluster analysis,DCD)通过最小化KL(Kullback-Leibler)散度准则:KL(A,S),从图关联矩阵S中获得一个非负低秩双随机矩阵分解:A=UUT(U≥0),并以U作为类标签矩阵进行聚类.在DCD方法中,因矩阵S是固定不可变的,故S初始取值选取的好坏对聚类结果有极大影响,这导致了它缺乏稳定性.针对这一问题,提出了一种基于图优化的DCD方法,将图关联矩阵S和DCD的优化集成在统一框架中,这改进和拓展了原始的DCD方法.实验结果表明,与DCD方法相比,图优化的DCD方法具有更好的聚类精确度和稳定性.

关键词：低秩双随机矩阵分解、图优化、稳定性、聚类

所属期刊栏目：36

分类号：TP391(计算技术、计算机技术)

资助基金：国家自然科学基金资助项目61663049,61165012;云南师范大学研究生科研创新基金项目yjs201678

在线出版日期：2019-05-31（万方平台首次上网日期，不代表论文的发表时间）

页数：共3页

页码：355-357