一种基于引力原理的快速线性时间图聚类方法,适用于大数据处理
《IEEE Transactions on Big Data》:A Fast Linearithmic Graph Clustering Approach for Big Data Using Gravitational Attraction Principle
【字体:
大
中
小
】
时间:2025年12月08日
来源:IEEE Transactions on Big Data 5.7
编辑推荐:
基于图的聚类优化方法提出了一种双阶段离散化分区与稀疏图构建结合的引力启发式合并框架,在保证O(N log N)复杂度下实现27.33%的聚类精度提升和86.64%的效率优化,有效解决了高维大数据场景中传统聚类方法的局限性。
摘要:
随着大数据在医疗保健、基因组学和传感器网络等领域的指数级增长,计算效率高且有效的聚类技术对于发现有意义的模式变得至关重要。传统的聚类方法在大数据分析中存在根本性的局限性。K-means 是已知最快的聚类方法之一,但它无法捕捉非球形簇。层次聚类可以检测任意形状的簇,但其复杂度为次立方级;而许多先进方法的复杂度仍为二次方级。此外,大多数现有方法无法捕捉数据的内在结构。在这种情况下,基于图的聚类作为一种强大的替代方案应运而生,因为它能够建模几何关系并揭示潜在结构。然而,现有的基于图的技术通常具有二次方级的复杂度,限制了其可扩展性。本工作的目标是开发一个可扩展的基于图的聚类框架,在保持聚类质量的同时降低大型、噪声较大和高维数据集的复杂度。为此,我们提出了一个快速基于图的聚类框架,其总体复杂度为 O(NlgN,其中 N 表示数据点的数量。该方法采用两阶段基于分散度的划分来生成连贯的子簇,然后在子簇中心构建稀疏图以高效捕获邻接关系。接着使用受引力模型启发的吸引机制迭代合并子簇,从而在降低计算量的同时发现连贯的结构。在41个多尺度数据集上的广泛实验表明,我们的方法始终优于传统方法和先进方法,平均聚类准确率提高了27.33%,同时运行时间平均减少了86.64%以上。这些结果突显了所提出方法的创新性和有效性,使其非常适用于...
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号