DMKK-means——一种深度多核K-means聚类算法

作     者：王梅 宋凯文 刘勇 王志宝 万达 WANG Mei;SONG Kaiwen;LIU Yong;WANG Zhibao;WAN Da

作者机构：东北石油大学计算机与信息技术学院黑龙江大庆163318 黑龙江省石油大数据与智能分析重点实验室黑龙江大庆163318 中国人民大学高瓴人工智能学院北京100049 大数据管理与分析方法研究北京市重点实验室(中国人民大学信息学院)北京100049 

出 版 物：《山东大学学报(工学版)》 (Journal of Shandong University(Engineering Science))

年 卷 期：2024年第54卷第6期

页      面：1-7,18页

核心收录：

学科分类：081203[工学-计算机应用技术] 08[工学] 0835[工学-软件工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

基　　金：国家自然科学基金资助项目(51774090,62076234) 黑龙江省博士后科研启动金资助项目(LBH-Q20080) 黑龙江省自然科学基金资助项目(LH2020F003) 黑龙江省高校基本科研业务费资助项目(KYCXTD201903,YYYZX202105) 

主　　题：K-means 核聚类 深度多核学习 数据挖掘 梯度下降 

摘      要：针对传统K-means的聚类效果容易受到样本分布影响,且核函数表示能力不强导致对于复杂问题的聚类效果表现不佳的问题,利用深度核的强表示性并通过多核集成方式,提出一种具有强表示能力且分布鲁棒的深度多核K-means(deep multiple kernel K-means, DMKK-means)聚类算法。构建具有强表示能力的深度多核网络架构,在新的特征空间进行K-means聚类;基于Kullback-Leibler(KL)散度的聚类损失函数衡量该算法与2种基准聚类方法的差异;将该聚类算法建模成高效的端到端学习问题,利用随机梯度下降算法更新优化深度多核网络的权重参数。在多个标准数据集上进行试验,结果表明,相比于K-means、径向基函数核K-means(radial basis function kernel K-means, RBFKKM)及其他多核K-means聚类算法,该算法在聚类精度、归一化互信息和调整兰德系数指标上均有明显提升,验证该算法的可行性与有效性。