具备迁移能力的类中心距离极大化聚类算法

• 作者: 孙寿伟 蒋亦樟 钱鹏江 陈爱国
• 来源期刊: 计算机工程与应用
• 学科: 工学
• 关键词: 迁移学习 历史知识 类中心间距极大 隐私保护 模糊聚类
• 年，卷（期）: 2016,（16）
• 所属期刊栏目: 模式识别与人工智能
• 页码范围: 149-155
• 页数: 7页
• 分类号: TP181
• 字数: 5959字
• 语种: 中文
• DOI: 10.3778/j.issn.1002-8331.1411-0005

摘要

传统的聚类算法在以下两种情况下存在直接失效的风险：一是数据稀少或存在大量干扰数据；二是为了调控数据间的差异性，对数据集进行缩放。为了同时解决上述两个问题，提出了历史知识迁移准则与中心间距极大化准则，并将其运用到极大熵聚类算法中，称之为具备历史迁移能力的中心极大化聚类算法。算法有三大突出的优点：在当前数据稀少或存在污染时，算法有效利用了历史知识进行迁移学习，从而证明了较好的聚类有效性；在数据缩放到一定倍数时，传统聚类算法取得的类中心趋于一致，而算法利用类中心间距极大化准则，有效避免了类中心一致的问题；算法所利用的历史知识均不暴露历史源数据，因此算法具有良好的历史数据隐私保护效果。通过模拟数据集和真实数据集的实验，验证了算法的上述优点。

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	钱鹏江	江南大学数字媒体学院	33	123	5.0	9.0
2	陈爱国	江南大学数字媒体学院	14	54	5.0	7.0
3	蒋亦樟	江南大学数字媒体学院	50	216	8.0	11.0
4	孙寿伟	江南大学数字媒体学院	4	12	3.0	3.0