结合改进密度峰值聚类的LGC半监督学习方法优化

作者：薛子晗; 潘迪; 何丽

来源：计算机工程, 2021, 47(02): 77-89.

DOI：10.19678/j.issn.1000-3428.0057017

• 半监督学习
• 密度峰值聚类
• 基于图方法
• 标签传递
• 迭代

基于图的局部与全局一致性(LGC)半监督学习方法具有较高的标注正确率,但时间复杂度较高,难以适用于数据规模较大的实际应用场景。从缩小图的规模入手,提出一种全局一致性优化方法。使用改进后的密度峰值聚类算法,迭代地从数据集中筛选出多个中心点,以每个中心点为簇中心进行局部聚类,并以中心点为顶点构建图,实现基于LGC的半监督学习。实验结果表明,优化后的LGC方法在D31、Aggregation等数据集上具有较好的鲁棒性,在标注正确率和算法执行时间上优势明显。

• 单位
  天津财经大学