【荐读 IEEE TPAMI】一种灵活的EM类噪声数据聚类算法

题目：A Flexible EM-Like Clustering Algorithm for Noisy Data

一种灵活的EM类噪声数据聚类算法

作者：Violeta Roizman; Matthieu Jonckheere; Frédéric Pascal

---

摘要

尽管非常流行，但众所周知，高斯混合模型（Gaussian mixture model）的期望最大化（Expectation-Maximization，EM）算法在处理非高斯分布或存在异常值或噪声时表现不佳。在本文中，我们提出了一种灵活的类EM聚类算法（Flexible EM-like Clustering Algorithm，FEMCA）：设计了一种新的聚类算法，遵循EM过程。它基于对聚类中心和协方差的估计。此外，使用半参数范式，该方法为每个数据点估计一个未知的尺度参数。这使得算法能够在不过分损失效率的情况下适应更重尾分布、噪声