Clustering with Tangles: Algorithmic Framework and Theoretical Guarantees论文解读

Clustering with Tangles: Algorithmic Framework and Theoretical Guarantees

简介：

使用“纠缠”的概念，纠缠是数学图论用于证明著名的图小定理，文中提到将“纠缠”用于机器学习中，纠缠将一组切割聚合到密集结构方向上的点，集群由一组一致的指针软表征。提出的输出是分层的，诱导了软树状图的概念。

非常通用且高度灵活，不是为单个对象分配集群成员，而是通过一组指针间接描述集群。这种灵活的表示减轻了处理摸棱两可的情况，输入是数据集的切割集合。聚合“弱”切割得到数据集群结构的“强”视图，这个方法在预处理阶段构建切割，速度很快适用于大规模数据集。

贡献：

1、将纠缠的抽象概念从数学理论应用到机器学习中，开发出高度灵活的聚类框架。
2、证明方法的灵活性，在三个不同场景中提供案例研究，问卷场景、图聚类场景和基于特征的场景。
3、在三种场景中提供理论保证，问卷统计模型发现事实，证明随机块模型与图聚类场景相同，基于特征聚类具有可解释性。
4、实现算法的核心部分、预处理和后处理的不同选项。

缠结算法的框架：

找到原始切割集、定向切割以识别缠结和后处理缠结进行聚类。

构建原始切割集：

1、问卷形式：是或否的天然选择。
2、KL算法构建初始切割和欧几里得空间中的聚类。

定义切割的损失函数（相似性之和）： c ( A , A C ) = ∑ s i m ( v , w ) c({A,A^C}) = \sum{sim(v,w)}