一种深度自监督聚类集成算法

摘要：

针对聚类集成中一致性函数设计问题,本文提出一种深度自监督聚类集成算法.该算法首先根据基聚类划分结果采用加权连通三元组算法计算样本之间的相似度矩阵,基于相似度矩阵表达邻接关系,将基聚类由特征空间中的数据表示变换至图数据表示;在此基础上,基聚类的一致性集成问题被转化为对基聚类图数据表示的图聚类问题.为此,本文利用图神经网络构造自监督聚类集成模型,一方面采用图自动编码器学习图的低维嵌入,依据低维嵌入似然分布估计聚类集成的目标分布;另一方面利用聚类集成目标对低维嵌入过程进行指导,确保模型获得的图低维嵌入与聚类集成结果是一致最优的.在大量数据集上进行了仿真实验,结果表明本文算法相比HGPA、CSPA和MCLA等算法可以进一步提高聚类集成结果的准确性.

关键词：特征空间、聚类算法、一致性函数、图表示、相似性度量、自监督学习、图数据、神经网络模型

所属期刊栏目：15

分类号：TP391(计算技术、计算机技术)

资助基金：国家自然科学基金项目;山西省国际合作重点研发计划项目;山西省基础研究计划项目;山西省应用基础研究计划项目;山西省1331工程项目

在线出版日期：2021-05-24（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：1113-1120