Ensemble-Lernen für spektrale Clustering

Ensemble-Clustering hat in der maschinellen Lern- und Datenmining-Forschung erhebliche Aufmerksamkeit gefunden, da es hervorragende Leistung bei der Clustering-Aufgabe erzielt. Spektral-Clustering ist eine der beliebtesten Clustering-Methoden und übertrifft traditionelle Ansätze hinsichtlich der Leistungsfähigkeit deutlich. Bestehende Ensemble-Clustering-Methoden nutzen üblicherweise die Clustering-Ergebnisse der Basis-Clustering-Algorithmen direkt für das Ensemble-Lernen. Dies ermöglicht jedoch keine effiziente Ausnutzung der inhärenten Datenstrukturen, die durch die Graph-Laplacian-Matrizen im Rahmen des Spektral-Clustering erschlossen werden, wodurch die gewünschten Clustering-Ergebnisse nicht erreicht werden können. In diesem Artikel stellen wir eine neue Ensemble-Lern-Methode für auf Spektral-Clustering basierende Algorithmen vor. Anstatt die direkten Clustering-Ergebnisse jedes Basis-Spektral-Clustering-Algorithmus zu nutzen, lernt die vorgeschlagene Methode durch Ensemble-Lernen eine robuste Darstellung des Graph-Laplacian aus den spektralen Embeddings jedes Basis-Algorithmus. Schließlich wendet die Methode k-Means auf das aus dem gelernten Graph-Laplacian abgeleitete spektrale Embedding an, um Clusters zu erzeugen. Experimentelle Ergebnisse auf synthetischen sowie realen Datensätzen zeigen, dass die vorgeschlagene Methode andere bestehende Ensemble-Clustering-Methoden übertrifft.