大講堂 | 面向大數(shù)據(jù)的圖聚類方法

本文作者： AI研習社

2018-10-26 12:05

導語：在本次公開課中，我們針對大數(shù)據(jù)的需求，提出了一系列新的圖聚類方法及優(yōu)化方法。

雷鋒網(wǎng)AI研習社訊：聚類是統(tǒng)計學、機器學習和數(shù)據(jù)挖掘領域的重要研究問題之一，其目的是將數(shù)據(jù)對象劃分為多個類或簇(cluster)，使同一簇中的對象之間有較高的相似度，而不同簇中的對象有較大的差異。聚類是數(shù)據(jù)分析的重要手段，在客戶分群、基因識別、文本分析、空間數(shù)據(jù)處理、衛(wèi)星照片分析、醫(yī)療影像自動檢測等領域有著廣泛的應用。基于圖的聚類方法通過將帶權無向圖劃分為兩個或兩個以上的最優(yōu)子圖，使子圖內部盡量相似，而子圖間距離盡量距離較遠，以達到聚類的目的。與傳統(tǒng)的聚類算法相比，它能工作在任意的空間、能對任意形狀的數(shù)據(jù)進行聚類。但是，由于這類算法需要進行特征向量分解，具有較高的復雜度，所以在大數(shù)據(jù)時代面臨巨大的挑戰(zhàn)。我們針對大數(shù)據(jù)的需求，提出了一系列新的圖聚類方法及優(yōu)化方法。

分享主題

Graph-based Clustering of Large-scale Data（面向大數(shù)據(jù)的圖聚類方法）

分享嘉賓

陳小軍，深圳大學計算機與軟件學院講師，主要研究方向為無監(jiān)督學習、特征選擇、集成學習等。發(fā)表了40余篇學術論文，包括十余篇CCF A類文章，如SIGKDD、ICDE、ICCV、AAAI、IJCAI、TKDE、TNNLS等。

分享提綱

1、聚類

2、圖聚類及歸一化割

3、分享的工作：

ISR: Improved Spectral Rotation [IJCAI 2017]

DNC: Direct Normalized Cut [SIGKDD 2018]

BKM: Balanced k-means for anchor generation [SIGKDD 2018]

分享時間