统计学 > 机器学习
[提交于 2021年8月18日
(此版本)
, 最新版本 2021年10月20日 (v2)
]
标题: 图上的聚类动力学:通过福克-普朗克插值从谱聚类到均值漂移
标题: Clustering dynamics on graphs: from spectral clustering to mean shift through Fokker-Planck interpolation
摘要: 在本工作中,我们构建了一个统一的框架,在数据聚类中将密度驱动和基于几何的算法进行插值,并具体地在离散和连续层面上将均值漂移算法与谱聚类连接起来。 我们通过在数据图上引入福克-普朗克方程来寻求这种联系。 除了在图上引入新的均值漂移算法形式外,我们还提供了关于扩散映射族在大样本极限下行为的新理论见解,以及扩散映射与固定图上均值漂移动力学之间的新联系。 几个数值例子说明了我们的理论结果,并突出了在密度驱动和基于几何的聚类算法之间进行插值的优势。
文献和引用工具
与本文相关的代码,数据和媒体
alphaXiv (什么是 alphaXiv?)
CatalyzeX 代码查找器 (什么是 CatalyzeX?)
DagsHub (什么是 DagsHub?)
Gotit.pub (什么是 GotitPub?)
Hugging Face (什么是 Huggingface?)
带有代码的论文 (什么是带有代码的论文?)
ScienceCast (什么是 ScienceCast?)
演示
推荐器和搜索工具
arXivLabs:与社区合作伙伴的实验项目
arXivLabs 是一个框架,允许合作伙伴直接在我们的网站上开发和分享新的 arXiv 特性。
与 arXivLabs 合作的个人和组织都接受了我们的价值观,即开放、社区、卓越和用户数据隐私。arXiv 承诺这些价值观,并且只与遵守这些价值观的合作伙伴合作。
有一个为 arXiv 社区增加价值的项目想法吗? 了解更多关于 arXivLabs 的信息.