[论文解读] Comment on "Clustering by fast search and find of density peaks"

Shuliang Wang, Dakui Wang+2 more|arXiv (Cornell University)|Jan 18, 2015

Advanced Clustering Algorithms Research参考文献 3被引用 23

一句话总结

本文提出一种客观、数据驱动的方法，自动确定密度峰值聚类算法中的临界距离阈值（d_c），克服了依赖主观估计的缺陷。通过利用数据场中的势熵，该方法实现了无需人工调优的精确、可复现聚类，已在基准数据集上验证，表现出更高的稳定性和性能。

ABSTRACT

In [1], a clustering algorithm was given to find the centers of clusters quickly. However, the accuracy of this algorithm heavily depend on the threshold value of d-c. Furthermore, [1] has not provided any efficient way to select the threshold value of d-c, that is, one can have to estimate the value of d_c depend on one's subjective experience. In this paper, based on the data field [2], we propose a new way to automatically extract the threshold value of d_c from the original data set by using the potential entropy of data field. For any data set to be clustered, the most reasonable value of d_c can be objectively calculated from the data set by using our proposed method. The same experiments in [1] are redone with our proposed method on the same experimental data set used in [1], the results of which shows that the problem to calculate the threshold value of d_c in [1] has been solved by using our method.

研究动机与目标

• 解决原始密度峰值聚类算法中的关键局限：对d_c的主观、用户定义的阈值依赖。
• 开发一种完全基于数据结构的自动化、客观方法，以确定d_c。
• 消除对d_c的手动调优，该调优会损害不同数据集间聚类结果的可复现性和鲁棒性。
• 在原始研究中使用的相同基准数据集上验证所提方法，确保公平比较。

提出的方法

• 该方法提出一种基于势熵的数据场模型，以分析数据集的内在结构。
• 利用数据场的势熵识别反映自然密度分布的最优d_c值。
• 算法将d_c计算为势熵达到局部最小值或出现显著拐点时的距离。
• 该方法完全自动化，无需用户输入或对聚类结构的先验知识。
• 该方法直接应用于原始数据集，无需预处理或外部参数调优。
• 所得d_c值被用于原始密度峰值聚类框架中，以识别聚类中心。

实验结果

研究问题

• RQ1 如何在不依赖主观用户判断的情况下，客观确定密度峰值聚类算法中的临界距离阈值d_c？
• RQ2 数据场的势熵能否作为识别最优d_c值的可靠指标？
• RQ3 与手动估计相比，自动化d_c选择方法是否能提升聚类性能和可复现性？
• RQ4 所提方法在标准基准数据集上能否实现与原始算法相当或更优的结果？

主要发现

• 所提方法仅基于数据的内在结构即可自动确定d_c，完全消除了主观输入的需要。
• 该方法在多个基准数据集上均实现了稳定且准确的聚类结果，性能与原始算法相当或更优。
• 势熵的使用可实现对最优d_c的可靠检测，表现为熵曲线中明显拐点的识别。
• 结果表明，d_c可从数据中客观计算，从而增强了密度峰值聚类方法的鲁棒性和可复现性。
• 该方法在显著降低对用户经验依赖的同时，保持了计算效率。
• 使用所提d_c选择方法重新实现原始实验，显示出更高的稳定性和聚类质量。