Advertisement

awesome-multi-view-clustering：汇集先进的、新颖的多视图聚类方法（含论文、代码及数据集）

  • 5星
  •     浏览量: 0
  •     大小:None
  •      文件类型：None

简介：
Awesome-Multi-View-Clustering是一个全面的资源库，收录了最新的多视图聚类研究，包括相关论文、源代码和数据集，旨在促进学术交流与技术进步。 这里汇总了一些最新的多视图聚类技术（SOTA）以及新颖的多视图聚类方法的相关论文、代码和数据集。我们欢迎其他参与者分享他们的研究成果。 目录包括重要的调查文件，如： - 多视角学习论文调查 - 基于图的多视图聚类系统研究 以下是列出的一些具体方法及其相关文献： 1. 图形聚类： - AAAI15：通过两方方格纸代码进行大规模多视图光谱聚类 - IJCAI17：具有多个图形的自加权多视图聚类 2. TKDE 2018：一站式多视图光谱聚类 3. TKDE 2019：GMC: 基于图的多视图聚类 4. ICDM 2019：一致性遇到不一致：用于多视图聚类的统一图学习框架 此外，还有关于多核聚类（MKC）的相关研究： - NIPS14：用于内核k均值聚类的局部数据融合及其在癌症生物学中的应用

全部评论 (0)

还没有任何评论哟~
客服
客服
客服关闭
  • awesome-multi-view-clustering：汇集先进的、新颖的多视图聚类方法（含论文、代码及数据集）
    优质
    Awesome-Multi-View-Clustering是一个全面的资源库，收录了最新的多视图聚类研究，包括相关论文、源代码和数据集，旨在促进学术交流与技术进步。 这里汇总了一些最新的多视图聚类技术（SOTA）以及新颖的多视图聚类方法的相关论文、代码和数据集。我们欢迎其他参与者分享他们的研究成果。 目录包括重要的调查文件，如： - 多视角学习论文调查 - 基于图的多视图聚类系统研究 以下是列出的一些具体方法及其相关文献： 1. 图形聚类： - AAAI15：通过两方方格纸代码进行大规模多视图光谱聚类 - IJCAI17：具有多个图形的自加权多视图聚类 2. TKDE 2018：一站式多视图光谱聚类 3. TKDE 2019：GMC: 基于图的多视图聚类 4. ICDM 2019：一致性遇到不一致：用于多视图聚类的统一图学习框架 此外，还有关于多核聚类（MKC）的相关研究： - NIPS14：用于内核k均值聚类的局部数据融合及其在癌症生物学中的应用
  • mfeat多视图聚类数据集
    优质
    MFEAT多视图聚类数据集是由多个不同视角或表示方式构成的特征集合，涵盖多种类型的图像特征，旨在支持模式识别和机器学习中的多视图分析与聚类研究。 mfeat数据集主要用于多视图聚类算法的研究，并且已经包含了标签，因此可以用来评估最终的聚类结果。
  • 多维数据聚类的聚类分析与模糊集方法
    优质
    本研究探讨了在复杂数据分析中应用聚类分析和模糊集合理论的方法，旨在提高多维度数据集中的模式识别精度。通过结合这两种技术，我们能够更准确地捕捉到数据之间的模糊性和不确定性，为决策提供更为可靠的依据。 聚类分析与模糊集理论适用于多维数据的分类工作。在研究生期间的研究中，成功地将这两种方法应用于三维数据分析，并将其应用到交通分类领域。
  • 多视角低秩稀疏子空间聚类算法代码及各类数据集
    优质
    本项目提供了一种新颖的多视角低秩稀疏子空间聚类算法的实现，并包含多种常用的数据集，适用于深入研究和应用开发。 3-sources, prokaryotic, Reuters, UCI-digit.
  • 粗集聚类：基于粗糙集理论的聚类方法
    优质
    《粗集聚类：基于粗糙集理论的聚类方法》一文探讨了利用粗糙集理论改进传统聚类算法的新路径，旨在提高数据分类的准确性和效率。 使用粗糙集进行聚类的Python实现 ### 说明 - 整数特征的粗糙聚类：请参见 README_rough_sets 文件。 - 浮点特征的粗糙K均值聚类：请参见 README_rough_kmeans 文件。 ### 输入 两种算法都接受一个字典作为输入，包含 : 列表对（整型或浮点型特征）的形式。 ### 用法 - testsrough_clustering_tests.py - 示例使用和测试已知的二分类聚类问题，在UCI Statlog 数据集中用于信用风险的数据集。 - testsrough_kmeans_tests.py - 浮动特性的粗糙K均值算法示例。
  • 数据集的聚类算法
    优质
    数据集的聚类算法是指在未标记的数据集中发现自然分组或集群的方法和技术。这些技术基于数据点之间的相似性，自动划分数据集合以帮助识别模式和结构。 对聚类算法进行测试需要使用适当的数据集来评估其性能和效果。选择合适的数据集对于理解算法的行为、优化参数以及比较不同方法至关重要。在准备数据的过程中，确保数据的多样性和代表性可以提高实验结果的可靠性和通用性。 为了验证聚类的效果，通常会采用一些标准指标如轮廓系数（Silhouette Coefficient）、Davies-Bouldin Index和Calinski-Harabasz Index等来评估算法的表现。此外，在进行测试时还需考虑算法的时间复杂度与空间复杂度，以确保其在实际应用场景中的可行性。 总之，通过精心挑选的数据集以及合理的评价标准，可以有效地对聚类算法进行全面且深入的分析。
  • 多视图聚类：支持七种多视图谱系聚类算法的MATLAB代码
    优质
    本项目提供了一套完整的MATLAB代码，涵盖七种先进的多视图谱系聚类算法，旨在促进复杂数据集中的模式识别与分析。 该存储库包含了七种多视图光谱聚类算法（以及单视图光谱聚类算法）的MATLAB代码，这些代码用于在我们的ICDM论文中进行比较研究。部分算法的原始代码是从原作者网站收集而来，并由我们进行了修复和优化。关于这些算法的具体信息，请参阅我们的论文；文件夹名称与文中提及的缩写相对应（如AASC、AWP、CoReg、MCGC、MVGL、RMSC 和 WMSC）。每个包含特定算法的文件夹内都设有一个主文件xxx_main.m，其中“xxx”代表相应的算法名称。有关这七种多视图光谱聚类和单视图光谱聚类（SC）算法的原始论文如下： - Huang等人, 2012年，《通过亲和力聚合实现光谱聚类》 - Nie等人, 2018年，《利用自适应加权Procrustes进行多视图聚类》 - Kumar等人, 2011年，《共规化多视图光谱聚类》 - Zhan等人, 2018年，《用于共识图的多视图学习》
  • 1993-10226006-螺旋与双月形状的聚类数据集_聚类数据集_聚类_数据集_
    优质
    该数据集包含一系列以螺旋和双月形状分布的复杂聚类样本，适用于测试和评估各种聚类算法的效果。 一些常用的聚类数据集非常实用且全面，自己在实验中也经常使用它们。
  • 聚类算法的实现：包含详细代码、数据集及项目的指导
    优质
    本项目详细介绍多种聚类算法的实现方法，包括K-means、层次聚类等，并提供完整代码和数据集供学习参考。适合初学者快速上手实践。 在数据科学领域，聚类算法是一种强大的工具，能够揭示隐藏于复杂数据背后的模式与关联性。其基本原理是依据数据间的相似度将它们划分成若干个类别或“簇”。 实现聚类的方法多种多样，包括基于距离的（如K-means）、基于密度的（如DBSCAN）以及层次式的（如Agglomerative Clustering）。每种方法都有独特的优点和适用场景。例如，由于简洁性和高效性，K-means算法被广泛应用于大规模数据集分析；而DBSCAN则因其处理噪声和异常值的能力，在复杂形状的数据分布中表现出色。 聚类的应用范围非常广，包括市场细分、社交网络分析以及生物信息学等领域。在市场细分方面，该技术可以帮助企业理解不同客户群体的特征与需求，从而实施精准营销策略；而在社交网络分析领域，则可以揭示用户之间的关系和影响力网络；于生物信息学中，则可用于基因表达数据分析以发现疾病的分子机制。 然而，在实际应用过程中也会遇到一些挑战。例如如何确定合适的聚类数量和初始中心点、评估聚类结果的质量，以及处理高维与稀疏数据等问题。
  • 聚类数据集（含人工数据集和UCI数据集）.zip
    优质
    本资料包包含多种用于机器学习与数据分析的聚类数据集，涵盖人工合成及UCI机器学习库中的真实世界数据，适合算法测试与模型训练。 希望可以帮到大家，下载后即可使用。提供的是UCI数据集和人工数据集，可以直接用于实验。