基于局部信息的快速近似谱聚类

光谱聚类已成为近年来最流行的聚类方法之一。 但是,其高计算复杂性使其无法应用于大规模数据集。 为了解决这种复杂性,已经提出了近似的频谱聚类方法。 在这些方法中,可通过使用近似技术(例如Nyström方法)或通过构建较小的代表性数据集(在该数据集上执行光谱聚类)来降低计算成本。 但是,这些近似方法的计算效率是以性能下降为代价的。 在本文中,我们提出了一种有效的近似光谱聚类方法,该方法通过利用数据之间的局部信息来提高聚类性能,同时保留了对大型数据集的可扩展性。 具体来说,我们从两个方面改进了近似谱聚类方法。 首先, 采用稀疏亲和图来提高小代表性数据集上光谱聚类的性能。 其次,利用局部插值来改善聚类结果的扩展。 在几个真实世界的数据集上进行了实验,表明所提出的方法是有效的,并且优于最新的近似光谱聚类算法。