典型文献
基于局部结构保持的高维数据半监督深度嵌入聚类算法
文献摘要：
聚类是机器学习和数据挖掘中的重要课题.近年来,深度神经网络(Deep Neural Networks,DNN)在各种聚类任务中受到广泛关注.特别是半监督聚类,在大量无监督数据中仅引入少量先验信息即可显著提高聚类性能.然而,这些聚类方法忽略了定义的聚类损失可能破坏特征空间,从而导致非代表性的无意义特征.针对现有半监督深度聚类的特征学习过程中局部结构保持有所欠缺的问题,本文提出一种改进的半监督深度嵌入聚类(Improved Semi-supervised Deep Embedded Clustering,ISDEC)算法,采用欠完备自动编码器在特征表达学习的同时,保持数据的内在局部结构;通过综合聚类损失、成对约束损失和重构损失,对聚类标签分配和特征表达进行联合优化.在包括基因数据在内的若干高维数据集上的实验结果表明,本方法的聚类性能比现有方法更好.
文献关键词：
聚类;半监督;深度嵌入;基因;表达学习
中图分类号：
作者姓名：
曹超;李梦利;阳树洪;李春贵
作者机构：
广西科技大学电气电子与计算机科学学院,广西柳州 545006
文献出处：
引用格式：
[1]曹超;李梦利;阳树洪;李春贵-.基于局部结构保持的高维数据半监督深度嵌入聚类算法)[J].广西科学,2022(05):922-929
A类：
ISDEC
B类：
局部结构,结构保持,高维数据,深度嵌入聚类,聚类算法,深度神经网络,Deep,Neural,Networks,DNN,半监督聚类,无监督,先验信息,聚类方法,聚类损失,破坏特征,特征空间,无意义,深度聚类,特征学习,学习过程,中局,所欠,Improved,Semi,supervised,Embedded,Clustering,自动编码器,特征表达,表达学习,保持数据,综合聚类,成对约束,标签分配,联合优化,基因数据,性能比
AB值：
0.464706
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
