| 图优化的低秩双随机分解聚类 |
| |
| 引用本文： | 张涛,胡恩良,余景丽.图优化的低秩双随机分解聚类[J].计算机应用研究,2019,36(2). |
| |
| 作者姓名： | 张涛 胡恩良 余景丽 |
| |
| 作者单位： | 云南师范大学 数学学院,昆明,650500;云南师范大学 数学学院,昆明,650500;云南师范大学 数学学院,昆明,650500 |
| |
| 基金项目： | 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) |
| |
| 摘 要： | 低秩双随机矩阵分解聚类(low-rank doubly stochastic matrix decomposition for cluster analysis，DCD)是最近由Yang等人16]提出的一种图聚类方法，它通过最小化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 |
| 收稿时间： | 2017/8/24 0:00:00 |
| 修稿时间： | 2019/1/7 0:00:00 |
Graph-optimized low-rank doubly stochastic decomposition for clustering |
| |
| Affiliation: | Yunnan Normal University, |
| |
| Abstract: | Clustering by DCD (low-rank doubly stochastic matrix decomposition) was recently proposed by Yang16] as a method of graph clustering. DCD obtains a nonnegative low-rank doubly stochastic decomposition A=UUT(U(0) from the graph correlation matrix S by minimizing the criterion of KL (Kullback-Leibler) divergence: KL (A, S) , and clustering from U, as the class label matrix. In the method of DCD, because the S is pre-fixed, the initial value of S has a great influence on the clustering result, which leads to its lack of stability. Aiming at this problem, propose a DCD method based on graph optimization , and the optimization of graph correlation matrix S and DCD is integrated in a unified framework, which improves and extends the original DCD. The experimental results show that the graph-optimized DCD has better clustering accuracy and stability than the original DCD. |
| |
| Keywords: | low-rank doubly stochastic matrix graph optimization stability clustering |
| 本文献已被 万方数据 等数据库收录！ |
| 点击此处可从《计算机应用研究》浏览原始摘要信息 |
|
点击此处可从《计算机应用研究》下载全文 |
|
