25、聚类列表再探与多样化分类器集成方法

聚类列表再探与多样化分类器集成方法

在数据处理和机器学习领域，聚类和分类器集成是两个重要的研究方向。聚类有助于对数据进行分组和组织，而分类器集成则能提高分类的准确性和泛化能力。下面将介绍聚类列表再探相关的Rev - LC索引以及一种新的多样化分类器集成方法CDEBMTE。

1. Rev - LC索引

1.1 理论基础

Rev - LC索引的构建基于一定的理论条件，要求$m = O(n^β)$（其中$β < 1$且接近1），使得$n/m = O(n^{1 - β})$足够小，以产生紧凑的桶。其预处理成本为$O(nm^α + m^3/n)$（$α ≤ 1$）。在实际计算中，当$m^3/n$足够小（即$n/m > \sqrt{2}$）时，$O(m^3/n)$的开销可以忽略不计，构建Rev - LC索引的处理时间可近似为$O(nm^α)$。

1.2 并行化实现

与LC算法不同，Rev - LC索引的构建并行化较为简单。只需对算法进行简单修改，在特定步骤并行搜索最近邻，其余部分序列化执行，这种并行版本称为Parallel Rev - LC (PRev - LC)。

1.3 数据集描述

实验使用了六个在单位超立方体中随机生成向量的数据库，分别生成了维度为4、8、12、16、20和24的$n = 10^6$个随机向量。实验中不使用坐标来丢弃元素，而是将距离作为黑盒，仅需一个距离函数来索引数据。

1.4 实验结果

1.4.1 构建时间

选择四维的百万向量数据集进行构建时间测试，结果如下表所示：
| 方法 | n/m