基于Seeds集与成对约束的半监督聚类算法研究

"一种基于Seeds集和成对约束的半监督聚类算法 (2012年)，由常瑜、梁吉业、高嘉伟、杨静等人发表在《南京大学学报（自然科学）》上，该算法旨在利用少量监督信息提升聚类效果。" 半监督聚类是机器学习领域的重要研究方向，它通过利用少量的已知标签数据（即监督信息）来改进无监督聚类的性能。在实际应用中，由于获取大量标注数据的成本高昂，半监督学习成为解决这一问题的有效途径。该论文提出的算法特别关注了两种类型的监督信息：Seeds集和成对约束。 Seeds集是指已知类别的一小部分样本，它们在聚类过程中起到种子的作用，用于引导聚类过程。然而，传统的半监督聚类方法往往只依赖Seeds集，而忽视了另一种重要的监督信息——成对约束。成对约束指的是数据集中某些样本对之间的关系，例如“样本A属于同一类别的概率高于样本B”。这些约束有助于修正聚类结果，确保同类样本被正确地分在一起。 论文中提出的算法首先运用Tri-training策略来扩充Seeds集。Tri-training是一种自我增强的监督学习方法，它通过三个不同的分类器相互独立地进行训练，并互相校验对方的预测结果，以此来扩大有标签数据的规模。在这个半监督聚类算法中，Seeds集通过Tri-training得到扩展，增加了更多可靠的标签信息。 接下来，算法结合成对约束优化Seeds集。这意味着在扩增Seeds集的同时，也考虑了样本对之间的关系，使得Seeds集更加准确且全面地反映了数据分布。优化后的Seeds集作为指导，可以更有效地引导聚类过程，避免将不同类别的样本误分为同一簇。 实验结果显示，这种结合Seeds集和成对约束的半监督聚类算法显著提高了聚类的准确性和稳定性。它不仅充分利用了有限的监督信息，还通过优化Seeds集和考虑成对约束，提升了聚类的质量，对于处理大规模、低标注率的数据集具有较高的实用性。 这项研究为半监督聚类提供了一个创新的解决方案，通过集成Seeds集和成对约束，提高了聚类的性能，对于实际应用中的数据分类和分析具有重要价值。