本文介绍了一种局部自适应多核聚类（LAMKC）方法，针对局部分布变化的数据集，为每个类分配独立的核并优化权重向量和高斯核宽度。通过与kernel k-means等其他方法的对比实验，展示了LAMKC在某些数据集上的优势，并在多种数据集上进行了评估，包括20 Newsgroups和Reuters-21578文本数据集。
Locally adaptive multiple kernel clustering （Lujiang Zhang , Xiaohui Hu）
传统的多核学习是在输入空间上构建多个核的线性组合。对于局部分布变化的数据集来说，局部多核学习方法更好。即不是使用一个统一的组合核在所有输入空间，而是对于每个类都有一个局部核。
方法：给每个类分配一个用于特征选择的权重向量，将每个权重向量和高斯核进行结合生成对应类的单独的核。然后优化权重向量和高斯核的宽度参数（width parameter ），每个核局部匹配对应类的数据分布。基于kernel k-means 的局部自适应策略被用来优化每个类的核。
对比实验：kernel k-means clustering, averaged multiple kernel clustering, self-tuning spectral clustering and Variable Bandwidth Mean Shift algorithm. （四个）
已存在的局部多核学习方法：输入空间不同区域的核设定不同的权重。
与本文相关的其他研究：
（1）Lewis et al.[19] proposed a method for combining multiple kernels in a nonstat
最低0.47元/天 解锁文章
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
