Dynamic Density Based Clustering

Dynamic Density Based Clustering

动态聚类——如何在数据更新的同时有效地维护数据簇——是一个困难的话题。对于基于密度的聚类尤其如此，对象是基于邻近性聚集的，在这种情况下，确定一个对象的簇可能需要大量其他对象的检查。考虑到这种聚类方法在许多需要数据更新的应用程序中广泛使用，这种现象是不幸的。 

基于此，研究了DBSCAN的算法原理，提出了一种成功的基于密度的动态聚类算法，以及ρ-近似DBSCAN算法，以降低前者在静态数据上的计算难度。令人惊讶的是，我们证明了ρ-approximate版本在数据集完全动态时，即允许插入和删除时，具有同样的困难。只要应用微小的进一步放松，这个问题就会消失，但仍然保证了相同的质量——称为ρ-近似DBSCAN的“三明治保证”。所提出算法保证了近乎恒定的更新处理，比现有方法的性能高出两个数量级以上。