[论文解读] Enhanced Mode Clustering

Yen‐Chi Chen, Christopher R. Genovese+1 more|arXiv (Cornell University)|Jun 6, 2014

Bayesian Methods and Mixture Models参考文献 44被引用 3

一句话总结

本文通过引入软聚类分配、聚类间连通性度量以及基于密度的聚类可视化技术，增强了模式聚类。它通过利用密度估计器模式的吸引盆，提升了可解释性和鲁棒性，从而在无需预设聚类数量的情况下，对聚类结构提供了更细致的理解。

ABSTRACT

Mode clustering is a nonparametric method for clustering that defines clusters as the basins of attraction of a density estimator’s modes. We provide several enhancements to mode clustering: (i) a “soft ” cluster assignment, (ii) a measure of connectivity between clusters, and (iii) an approach to visualizing the clusters.

研究动机与目标

• 为解决传统模式聚类的局限性，通过软聚类分配替代硬划分。
• 开发一种聚类间连通性的定量度量，以评估其结构关系。
• 提供有效的可视化方法，用于解释高维数据中的复杂聚类构型。
• 提升模式聚类在实际应用中的可解释性和鲁棒性。

提出的方法

• 提出基于数据点属于各模式吸引盆的后验概率的软聚类分配方法。
• 提出一种基于连接聚类路径的最小密度的连通性度量，以量化聚类间的分离程度。
• 采用核密度估计（KDE）作为底层密度估计器，以识别模式及其吸引盆。
• 通过密度等高线图和聚类分配热力图可视化聚类，以展示吸引盆边界和分配置信度。
• 利用从数据点出发的梯度上升路径定位其吸引模式，作为聚类分配的基础。
• 在合成数据集和真实世界数据集上应用该方法，以验证其鲁棒性和可解释性。

实验结果

研究问题

• RQ1 如何增强模式聚类，以提供概率性而非硬性划分的聚类分配？
• RQ2 在非参数框架下，哪些度量能够有效量化聚类间的连通性或分离程度？
• RQ3 如何有意义地可视化聚类结构，以支持解释与分析？
• RQ4 所提出的改进在实际应用中在多大程度上提升了模式聚类的鲁棒性和可解释性？

主要发现

• 软聚类分配在聚类边界附近的数据点上提供了更细致的表示，反映了聚类成员关系的不确定性。
• 连通性度量成功识别出弱连接的聚类，这些聚类可能代表子结构或噪声。
• 可视化技术有效揭示了复杂聚类几何形态以及数据区域中分配置信度的分布。
• 增强的方法在保持模式聚类非参数特性的基础上，提升了可解释性和鲁棒性。
• 该方法在低维和高维数据上均表现有效，展示了良好的可扩展性和实际应用价值。