南京大学提出用于聚类的最优间隔分布机

在这篇题为《Optimal Margin Distribution Clustering》的论文中，南京大学周志华教授、张腾博士提出了一种新方法——用于聚类的最优间隔分布机（Optimal margin Distribution Machine for Clustering/ODMC），该方法可以用于聚类并同时获得最优间隔分布。在 UCI 数据集上的大量实验表明 ODMC 显著地优于对比的方法，从而证明了最优间隔分布学习的优越性。

聚类是机器学习、数据挖掘和模式识别中的一个重要研究领域，其目标是分类相似的数据点。它催生出了包括信息检索、计算机视觉、生物信息学等在内的大量新研究，并且不同的聚类算法已被提出超过十年（Jain and Dubes 1988; Xu and Wunsch 2005; Jain 2010）。

最近有一种称为最大间隔聚类（MMC/maximum margin clustering）的方法，它基于支持向量机的大间隔启发（Cortes and Vapnik 1995; Vapnik 1995）。对于好的聚类方法而言，当标签分配到不同簇时，SVM 在该数据上可以得到最大化的最小间隔。由于形式化成的极大极小问题涉及用集合 {+1, −1} 标记每一个实例，它也就不再是一个凸优化问题，而是一个更难处理的混合整数规划（mixed-integer programming）。从那时起，为解决这一问题做了大量努力，这些努力可被分为两类。第一类通过不同的凸松弛技术（Xu et al. 2005）首次将其松弛为凸半定规划