度量学习引导的加权聚类集成算法

已有的聚类集成方法大多通过对基聚类加权来降低低质量基聚类对聚类集成结果的影响,从而提升聚类集成算法性能.然而,这些工作往往对数据的所有特征等权重考虑,忽略了特征之间的相关性与差异性,无法真实地反映样本间的相似性.针对上述问题,本文提出了一种度量学习引导的加权聚类集成算法,将对马氏距离度量学习与基聚类权重学习相融合,从而提升聚类集成算法性能.算法根据上轮求得的基聚类权重进行聚类集成,基于集成结果构建的成对约束学习马氏距离度量,将划分为同簇的样本拉近,划分为不同簇的样本推远,并在新投影空间中为基聚类学习权重.在多个公开数据集上的实验结果表明,提出的算法优于现有的代表性聚类集成算法.