[论文解读] Quantum Clustering

D. Horn, Assaf Gottlieb|arXiv (Cornell University)|Jul 25, 2001

Advanced Clustering Algorithms Research参考文献 4被引用 2

一句话总结

本文提出量子聚类（Quantum Clustering），一种新颖的方法，通过将数据建模为概率分布并求解薛定谔方程，利用量子力学原理识别聚类中心。该方法从势能函数的极小值中推导出聚类中心，仅包含一个尺度参数，并通过数据点之间的成对距离实现高维空间中的应用。

ABSTRACT

We propose a novel clustering method that is based on physical intuition derived from quantum mechanics. Starting with given data points, we construct a scale-space probability function. Viewing the latter as the lowest eigenstate of a Schrodinger equation, we use simple analytic operations to derive a potential function whose minima determine cluster centers. The method has one parameter, determining the scale over which cluster structures are searched. We demonstrate it on data analyzed in two dimensions (chosen from the eigenvectors of the correlation matrix). The method is applicable in higher dimensions by limiting the evaluation of the Schrodinger potential to the locations of data points. In this case the method may be formulated in terms of distances between data points.

研究动机与目标

• 开发一种基于量子力学物理直觉的聚类方法。
• 通过分析由薛定谔方程推导出的势能函数的极小值，识别聚类中心。
• 通过仅在数据点位置评估势能，实现在高维数据中的可扩展聚类。
• 引入单一尺度参数，以控制检测到的聚类结构的分辨率。
• 以点对点距离的形式表述该方法，确保其在低维可视化之外的适用性。

提出的方法

• 从给定的数据点构建尺度空间概率函数。
• 将该概率函数视为薛定谔方程的基态（最低本征态）。
• 从薛定谔方程解的分析中推导出势能函数。
• 将聚类中心识别为所推导势能函数的极小值点。
• 为实现高维适用性，将势能评估限制在数据点位置。
• 在高维空间中仅使用点对点距离来表达该方法。

实验结果

研究问题

• RQ1 量子力学原理能否有效应用于数据聚类，以提升结构检测效果？
• RQ2 尺度参数如何影响检测到的聚类的分辨率和准确性？
• RQ3 该方法能否在不进行显式降维的情况下，可靠地识别高维数据中的聚类中心？
• RQ4 薛定谔方程基态与最终聚类结构之间存在何种关系？
• RQ5 与传统聚类技术相比，该方法在鲁棒性和可解释性方面表现如何？

主要发现

• 该方法通过定位由薛定谔方程基态导出的势能函数中的极小值，成功识别出聚类中心。
• 尺度参数控制聚类检测的粒度，支持多尺度分析。
• 在二维空间中，该方法生成与相关矩阵特征向量所呈现的视觉直觉一致的连贯聚类结构。
• 通过仅在数据点位置评估势能，该方法在更高维度中仍保持计算可行性。
• 以点对点距离形式表述，确保了该方法在任意数据维度下的泛化能力。
• 该方法提供了一种具有物理可解释性的传统聚类算法替代方案，其理论基础建立在量子力学形式体系之上。