Locally adaptive multiple kernel clustering (Lujiang Zhang , Xiaohui Hu)
传统的多核学习是在输入空间上构建多个核的线性组合。对于局部分布变化的数据集来说,局部多核学习方法更好。即不是使用一个统一的组合核在所有输入空间,而是对于每个类都有一个局部核。
方法:给每个类分配一个用于特征选择的权重向量,将每个权重向量和高斯核进行结合生成对应类的单独的核。然后优化权重向量和高斯核的宽度参数(width parameter ),每个核局部匹配对应类的数据分布。基于kernel k-means 的局部自适应策略被用来优化每个类的核。
对比实验:kernel k-means clustering, averaged multiple kernel clustering, self-tuning spectral clustering and Variable Bandwidth Mean Shift algorithm. (四个)
已存在的局部多核学习方法:输入空间不同区域的核设定不同的权重。
与本文相关的其他研究:
(1)Lewis et al.[19] proposed a method for combining multiple kernels in a nonstat