【FCS 人工智能专栏】基于不定核的大间隔聚类算法研究

会员服务 ·

【FCS 人工智能专栏】基于不定核的大间隔聚类算法研究

2019 年 6 月 24 日 FCS

点击上方蓝字

关注我们

导

读

核方法是机器学习领域中解决非线性学习问题的一种有效方法，大都要求核函数正定，然而，在实际问题中这样的要求常常很难满足；相反，在某些情况下，使用不定核往往能取得比正定核更好的效果，如基因识别、目标检测问题等。

近年来，不定核问题越来越受到研究者们的关注，多种解决不定核分类问题的方法被提出并取得很好的效果，如谱变换方法、正定核替代策略等。然而，关于不定核聚类问题的研究却相对较少，现有基于核的聚类算法也大都基于正定核，不能直接处理核函数不定的情况。

鉴于已有不定核方法在分类问题中的优异表现，本文希望借助这些方法研究基于不定核的聚类问题。具体来说，本文以经典的基于核的大间隔聚类模型(Maximum Margin Clustering，MMC)为基础，提出了一种基于不定核的大间隔聚类模型(IndefiniteKernel Maximum Margin Clustering，IKMMC)。IKMMC采取正定核替代策略，寻求一个正定核以逼近不定核，并将度量二者差异性的F-范数作为一个正则化项嵌入到MMC模型中，进而得到IKMMC模型。

针对该模型，本文选取了迭代优化方法进行优化：首先给样本赋初始类别标记，在每轮迭代中，不定核聚类问题被转化为带有类平衡约束的不定核支持向量机(Indefinite Kernel Support Vector Machine，IKSVM)问题，并被进一步表达为半无限规划(Semi-infinite Programming，SIP)形式求解；本轮优化得到的样本预测标记作为下轮迭代的样本初始标记，直到样本预测错误率不再满足迭代条件；最后，IKMMC以最后一轮的样本预测标记作为聚类的最终结果。实验部分验证了IKMMC及其迭代优化算法的有效性。

MMC模型主要用于两类样本聚类，为了使IKMMC能够适应更为复杂的多类情况，本文进一步提出了多类情况下的IKMMC模型，并给出了相关优化算法，通过在多个数据集上的实验证明了IKMMC及其优化算法在多类情况下依然有较好的性能。

文章精要

请长按下方二维码识别，阅读该文。

相关内容推荐：

【FCS优秀青年计算机科学家论坛】李宇峰：安全半监督学习综述 2019 13(4)：669-676

CodeAttention:基于代码结构信息的代码注释自动生成 2 0 1 9 13(3)：5 65-57 8

基于非负局部约束词汇树的指静脉图像检索 2019 13(2)：318-332

基于标记分布学习的软视频行为解析 2 0 1 9 13(2)：3 0 2-3 1 7

基于迁移的人工上采样方法解决小类样本有限的类别不平衡问题

基于贝叶斯双神经网络的推荐算法

基于分布式表示学习的社区搜索算法

随机局部搜索求解最大可满足性问题的经验研究 2 0 1 9 13(1)：8 6-9 8

基于情感信息和神经网络模型的立场分析 2 0 1 9 13(1)：1 2 7-1 3 8

Frontiers of Computer Science

期刊封面_icon.jpg Frontiers of Computer Science （FCS）是由教育部主管、高等教育出版社和北京航空航天大学共同主办、SpringerNature 公司海外发行的英文学术期刊。本刊于 2007 年创刊，双月刊，全球发行。主要刊登计算机科学领域具有创新性的综述论文、研究论文等。本刊主编为周志华教授，共同主编为熊璋教授。编委会及青年 AE 团队由国内外知名学者及优秀青年学者组成。本刊被 SCI、Ei、DBLP、INSPEC、SCOPUS 和中国科学引文数据库（CSCD）核心库等收录，为 CCF 推荐期刊；两次入选“中国科技期刊国际影响力提升计划”；入选“第4届中国国际化精品科技期刊”。