一种基于少量标签的改进迁移模糊聚类

• 作者: 杨燕 王红军 王跃
• 来源期刊: 智能系统学报
• 学科: 工学
• 关键词: 聚类 迁移学习 半监督 可能性C均值 模糊C均值
• 年，卷（期）: 2016,（3）
• 页码范围: 310-317
• 页数: 8页
• 分类号: TP301
• 字数: 4901字
• 语种: 中文
• DOI: 10.11992/tis.201603046

摘要

传统聚类算法难以利用已有的历史信息，尤其是数据被污染的情况下聚类结果不理想；半监督聚类常用于数据中有部分标签的情况。在源数据有少量标签的情况下，提出半监督混合C均值聚类算法（ SS?FPCM）；基于迁移学习框架，针对负迁移问题对算法进行修正，提出了防止负迁移的半监督迁移算法（ TSS?FPCM）；最后，为了充分借鉴源数据的信息，利用“代表点”来代替源数据类信息，融入算法中再次迁移得到改善的半监督迁移算法（ ITSS?FPCM）。实验表明，3个算法能够有效的利用源数据提高聚类性能。 SS?FPCM与TSS?FPCM可以利用源数据的少量标签数据，而ITSS?FPCM算法结合了标签数据与“代表点”两个有效信息，在数据信息匮乏、数据被污染的情况下得到较好的聚类结果。

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	杨燕	西南交通大学信息科学与技术学院	97	1192	16.0	32.0
2	王红军	西南交通大学信息科学与技术学院	14	93	4.0	9.0
3	王跃	西南交通大学信息科学与技术学院	2	13	2.0	2.0