大講堂 | 面向大數(shù)據(jù)的圖聚類方法

雷鋒網(wǎng)AI研習(xí)社訊：聚類是統(tǒng)計學(xué)、機器學(xué)習(xí)和數(shù)據(jù)挖掘領(lǐng)域的重要研究問題之一，其目的是將數(shù)據(jù)對象劃分為多個類或簇(cluster)，使同一簇中的對象之間有較高的相似度，而不同簇中的對象有較大的差異。聚類是數(shù)據(jù)分析的重要手段，在客戶分群、基因識別、文本分析、空間數(shù)據(jù)處理、衛(wèi)星照片分析、醫(yī)療影像自動檢測等領(lǐng)域有著廣泛的應(yīng)用。基于圖的聚類方法通過將帶權(quán)無向圖劃分為兩個或兩個以上的最優(yōu)子圖，使子圖內(nèi)部盡量相似，而子圖間距離盡量距離較遠(yuǎn)，以達(dá)到聚類的目的。與傳統(tǒng)的聚類算法相比，它能工作在任意的空間、能對任意形狀的數(shù)據(jù)進行聚類。但是，由于這類算法需要進行特征向量分解，具有較高的復(fù)雜度，所以在大數(shù)據(jù)時代面臨巨大的挑戰(zhàn)。我們針對大數(shù)據(jù)的需求，提出了一系列新的圖聚類方法及優(yōu)化方法。

分享主題

Graph-based Clustering of Large-scale Data（面向大數(shù)據(jù)的圖聚類方法）

分享嘉賓

陳小軍，深圳大學(xué)計算機與軟件學(xué)院講師，主要研究方向為無監(jiān)督學(xué)習(xí)、特征選擇、集成學(xué)習(xí)等。發(fā)表了40余篇學(xué)術(shù)論文，包括十余篇CCF A類文章，如SIGKDD、ICDE、ICCV、AAAI、IJCAI、TKDE、TNNLS等。

分享提綱

1、聚類

2、圖聚類及歸一化割

3、分享的工作：

        ISR: Improved Spectral Rotation [IJCAI 2017]

        DNC: Direct Normalized Cut [SIGKDD 2018]

        BKM: Balanced k-means for anchor generation [SIGKDD 2018]

 

分享時間

（北京時間 ）  10 月 26 日（星期五）  20:00

直播鏈接

http://www.mooc.ai/open/course/584

想了解更多雷鋒網(wǎng) AI 研習(xí)社直播？

歡迎移步雷鋒網(wǎng) AI 研習(xí)社社區(qū)~