基于稀疏连接的层次化多核K-Means算法

多核学习(Multiple Kernel Learning, MKL)的目标是寻找一个最优的一致性核函数。在层次化多核聚类算法(HMKC)中，通过从高维空间中对样本特征进行逐层提取的方式来实现最大化地保留有效信息，但是却忽略了层与层之间的信息交互。该模型中只有相邻层中对应的结点会进行信息交互，对于其他结点来说是孤立的，而采用全连接的方式又会削弱最终一致性矩阵的多样性。因此，文中提出了一种基于稀疏连接的层次化多核K-Means算法(Sparse Connectivity Hierarchical Multiple Kernel K-Means, SCHMKKM)。该算法通过稀疏率来控制分配矩阵以达到稀疏连接的效果，从而将层与层之间信息蒸馏得到的特征进行局部融合。最后，在多个数据集上进行聚类分析，并在实验中与全连接的层次化多核K-Means算法(FCHMKKM)进行实验对比，证明了具有更多差异性的信息融合有利于学习更好的一致性划分矩阵，并且稀疏连接的融合策略优于全连接的策略。