结构深层聚类网络 作者：凯鲁嘎吉 - 博客园 http://www.cnblogs.com/kailugaji/ 本博文是对Structural Deep Clustering Network这篇文章的展开与叙述。了解这篇文章的前提需要知道GCN图卷积神经网络，DEC深度嵌入聚类，自编码器等。 这是 ...
转载
2021-05-08 21:37:45
609阅读
2评论
这个实现，我打算设定一个一维数组作为节点的集合，另外设定一个二维数组，并赋好初值，例如，{1，2}就意味着节点1和节点2之间相连，二维数组就是边缘Edge的集合，我打算用下图的数据进行SCAN算法的验证。1. 节点相似度 节点相似度定义为两个节点共同邻居的数目与两个节点邻居数目的几何平均数的比值2. 邻居节点 邻居定义为与其相似度不小于 的节点所组成的集合。3. 核节点
原创
2021-01-22 22:59:29
956阅读
SCAN：网络结构聚类算法本篇文章主要工作是翻译论文以及读懂算法，还有就是进行了SCAN算法的一些设计。网络结构聚类算法的目标就是在大型网络中找到群集，集线器和异常值，为了实现这一目标，我们使用顶点的邻域作为聚类标准，而不是仅使用它们的直接连接，顶点按共享邻居的方式分组到群集中，如果共享很多邻居，就会合理地组合在同一个集群，相反，如果只共享较少的邻居，那么它们是否应该归入同一个集群是值得怀疑的，除
原创
2021-01-22 22:59:51
1526阅读
这学期和李青老师学习复杂网络的一些基础知识，并进行建模。复杂网络在生活中很常见，这学期主要学习其中的两种模型——小世界模型和无标度模型。著名的小世界实验发现了社会群体中人和人之间六度分离的关系(任意两个人之间的平均路径经过了约6个中间人)。如何解释一个人所认识的人并不多，但是却总是有六度分离的现象，就有人提出了小世界的模型。 即人和人之间的社会是由这样的朋友圈组成的。 一般使用
基于SOM算法的Iris数据分类
自组织特征映射神经网络SOM(Self-Organizing Feature Map)是一种无监督学习算法，不同于一般神经网络基于损失函数的优化训练，SOM是运用竞争学习策略来逐步优化网络的。SOM算法作为一种优良的聚类工具，具有无需监督，能自动对输入模式进行聚类的优点，目前已经得到了广泛的应用。本文利用SOM算法，最终实现了对Iris数据集的分
汇聚层（Pooling Layer）是卷积神经网络（CNN）中的一种常用操作，其作用是对卷积层输出的特征图进行下采样（缩小特征图大小），从而减少计算量和参数数量，同时提取更为重要的特征。本文将介绍汇聚层的基本原理、实现方式以及常见类型。一、汇聚层的原理汇聚层的主要作用是对卷积层输出的特征图进行下采样，通常有两种方式：最大池化（Max Pooling）和平均池化（Average Pooling）。最
聚类算法分类：(1)划分聚类算法:也称为基于距离的聚类算法，此类算法中，簇的数量是随机选择的或最初给定的。属于这一类的算法有K-Meansl，PAM，CLARANSI等。K-means聚类算法的不足之处在于它要多次扫描数据库，此外，它只能找出球形的类，而不能发现任意形状的类。还有，初始质心K的选择对聚类结果有较大的影响，该算法对噪声很敏感。划分方法具有线性复杂度，聚类的效率高的优点。然而，由于它要
常见数据结构
常用的数据结构知识。
1.1 跳表
转载
2023-05-31 20:12:36
307阅读
论文名称基于循环神经网络的时序数据聚类算法及其并行化，王国瑞.研究对象主要围绕时序数据聚类问题，不同于已有的时序数据聚类方法，本文献的研究是基于循环神经网络的时序数据聚类方法，研究成果可用于金融股票数据分析。研究动机在时间序列数据挖掘领域，结合循环神经网络将其应用在时间序列数据预测及聚类任务上。文献综述基于时间临近度的时序聚类：主要在于序列相似性的衡量，利用不同的相似度计算方法进行聚类。基于特征变
51 C-均值算法：
是动态聚类方法中的一个典型方法。其目的是将一数据集, 按自然密集程度划分成C个聚类，它的准则函数是对所有C个聚类中每个数据到其各自均值的距离平方和的总和为最小
。计算距离的最简单形式是欧式距离。但也可使用其它形式的距离。迭代过程是计算这个数据, 从现属聚类转移至其它聚类, 是否能使准则函数值减小为依据，将该数据转移至合适聚类，直至这种数据转移不再发生为止。在数据转移过程中
聚类算法的种类： 基于划分聚类算法（partition clustering)k-means：是一种典型的划分聚类算法，它用一个聚类的中心来代表一个簇，即在迭代过程中选择的聚点不一定是聚类中的一个点，该算法只能处理数值型数据k-modes：K-Means算法的扩展，采用简单匹配方法来度量分类型数据的相似度k-prototypes：结合了K-Means和K-Modes两种算法，能够处理混合型数据k
“ 图神经网络已经在很多领域得到了广泛的引用,如计算机视觉,自然语言处理和推荐. 那么,图神经网络能不能提升一些基础机器学习任务(如聚类)的表现呢?本文首次将GNN用到聚类上,提出了一种基于GNN的深度聚类算法 Structural Deep Clustering Network.”本文由北邮、腾讯和清华联合发表在WWW2020上。论文链接: https://arxiv.org
超越分类的XAI：可解释神经聚类
《XAI Beyond Classification: Interpretable Neural Clustering》
一、简介 本文研究了可解释AI()和数据聚类这两个挑战性问题。第一个问题是如何设计一种具有固定可解释性的神经网络，而不是给出一个黑盒模型的事后解释。第二个问题是，使用可微分神经网络来实现离散的，其拥有具有并行计算、在线聚类和聚类友好的表示学
1.算法功能简介 神经网络是模仿人脑神经系统的组成方式与思维过程而构成的信息处理系统，具有非线性、自学性、容错性、联想记忆和可以训练性等特点。在神经网络中，知识和信息的传递是由神经元的相互连接来实现的，分类时采用非参数方法，不需对目标的概率分布函数作某种假定或估计，因此网络具备了良好的适应能力和复杂的映射能力。神经网络的运行包括两个阶段：一是训练或学习阶段（
第四章 自组织神经网络（1）自组织神经网络的典型结构 （2）自组织学习(self-organized learning) ： 通过自动寻找样本中的内在规律和本质属性，自组织、自适应地改变网络参数与结构。 自组织网络的自组织功能是通过竞争学习（competitive learning）实现的。4.1竞争学习的概念与原理4.1.1基本概念1.分类和聚类（1）分类——分类是在类别知识等导师信号的指导下，
1.算法功能简介 神经网络是模仿人脑神经系统的组成方式与思维过程而构成的信息处理系统，具有非线性、自学性、容错性、联想记忆和可以训练性等特点。在神经网络中，知识和信息的传递是由神经元的相互连接来实现的，分类时采用非参数方法，不需对目标的概率分布函数作某种假定或估计，因此网络具备了良好的适应能力和复杂的映射能力。神经网络的运行包括两个阶段：一是训练或学习阶段（
作者：hyman
（4）结果验证。一旦用聚类算法得到结果，就需要验证其正确性。（5）结果判定。在许多情况下，应用领域的专家必须用其他实验数据和分析判定聚类结果，最后做出正确的结论。 聚类分析有很多种算法，每种算法都是优化了某一方面或某几方面的特征。聚类算法的优劣标准本身就是一个值得研究的问题，对于聚类的评价有不同的标准。现在通用的聚类算法都是从几个方面来衡量的，而没有完全使用
1 基本概念1.1.1 聚类系数：某个顶点 i , 与之相连的三角形数量/与之相连的三元组的数量。1.1.2 度及度的分布 完全随机网络的度的分布近似为Poisson分布。其中，Poisson分布近似的可以认
@TOC基本介绍有“万金油”之称。最广泛的一种解释：神经网络是由具有适应性的简单单元组成的广泛并行互连的网络，它的组织能够模拟生物神经系统对真实世界物体所作出的交互反应。[Kohonen,1998]最基本单元：神经元，即简单单元。 M-P神经元模型[McCulloch and Pitts 1943]，如下图: 图中原始值为，经过的转换得到当前神经元的输入值，若值大于阈值，则再通过激
1 聚类的类型 聚类可以通过人工神经网络来实现，也可以通过专门的聚类算法实现，例如参考资料[3]介绍了较为常见的k-means、层次聚类、SOM以及FCM四种聚类算法，其中SOM属于神经网络方法。本文重点介绍层次聚类算法。 参考资料[3]提到，根据层次分解的顺序是自底向上的还是自上向下的，层次聚类算法又可分为凝聚的层次聚类算法和分裂的
