自然最近邻相似图在谱聚类中的应用

"基于自然最近邻相似图的谱聚类" 谱聚类是一种常见的无监督学习方法，用于发现数据集中的潜在结构和群组。传统的谱聚类算法依赖于相似度矩阵来构建数据对象之间的关系，但这种方法在处理复杂数据集时可能会遇到困难，因为选择合适的相似性度量和参数设定往往需要大量的实验和经验。本文提出的基于自然最近邻相似图的谱聚类算法（NSG-SC）旨在解决这些问题。 自然最近邻（Natural Nearest Neighbor, NNN）是一种创新的最近邻概念，它消除了K最近邻（K-NN）和ε-最近邻（ε-NN）方法对人为设定参数的依赖。NNG-SC算法利用数据集本身的特性来确定相似性，从而避免了因参数选择不当或离群值导致的问题，更准确地反映出数据集的内在结构。 在NSG-SC算法中，首先构建一个自然最近邻相似图，这个图的边权重表示了数据点之间的相似程度。通过这种方式，算法能够自适应地调整相似性，而不是固定一个预先定义的阈值或邻居数量。接着，利用这个相似图来构建拉普拉斯矩阵，这是谱聚类的核心部分，因为它包含了数据点之间的局部和全局连接信息。通过对拉普拉斯矩阵的特征分解，可以得到数据点的低维嵌入，这些嵌入使得相同群组内的点尽可能接近，不同群组的点尽可能远。最后，使用这些低维表示来进行聚类。 实验结果显示，NSG-SC算法在处理结构复杂的数据集时表现出了良好的可行性和有效性。这表明，利用自然最近邻的概念可以提高谱聚类的性能，尤其是在面对需要智能调整参数和处理离散点的问题时。 该研究工作由江苏省产学研合作项目资助，作者包括刘友超和张曦煌。刘友超是硕士研究生，专注于数据挖掘领域；张曦煌是教授和博士，主要研究分布式系统与应用。这篇论文发表于《江南大学物联网工程学院》期刊，对谱聚类方法进行了深入的探讨和改进，对于理解和改进聚类算法，特别是在处理复杂数据时，提供了有价值的洞见。 基于自然最近邻相似图的谱聚类算法NSG-SC是一种创新的聚类方法，它克服了传统谱聚类算法的局限性，提高了在处理复杂数据集时的聚类效果，为数据挖掘和机器学习领域的研究提供了新的思路。