TPAMI 2024 | 具有灵活规模约束的参数不敏感最小割聚类

Parameter-Insensitive Min Cut Clustering With Flexible Size Constrains

具有灵活规模约束的参数不敏感最小割聚类

Feiping Nie; Fangyuan Xie; Weizhong Yu; Xuelong Li

---

摘要

聚类是机器学习中的一个基本主题，提出了各种方法，其中 K-Means (KM) 和最小割聚类是典型的。然而，它们可能会产生空的或倾斜的聚类结果，这并不符合预期。在 KM 中，约束聚类方法已经得到了充分研究，而在最小割聚类中，这一方面仍然需要发展。在本文中，我们提出了一种具有灵活规模约束的参数不敏感最小割聚类方法。具体来说，我们为每个聚类添加了样本数量的下限，这可以完美地避免最小割聚类中的平凡解。据我们所知，这是首次直接将规模约束引入最小割。然而，这是一个 NP 难问题，难以解决。因此，我们还增加了上限，但仍然难以解决。因此，我们引入了一个等价于标签矩阵的附加变量，并使用增广拉格朗日乘子（ALM）来解耦约束。在实验中，我们发现我们的方法对下限不太敏感，