[论文解读] Nonparametric Nearest Neighbor Descent Clustering based on Delaunay Triangulation

Teng Qiu, Yongjie Li|arXiv (Cornell University)|Feb 17, 2015

Advanced Clustering Algorithms Research参考文献 20被引用 3

一句话总结

本文提出了一种非参数聚类方法，利用Delaunay三角剖分计算数据点的局部势值，无需预设参数，通过最近邻下降实现鲁棒聚类。该方法通过三角剖分利用几何邻近性识别聚类，对局部极值不敏感，在复杂非参数数据结构中优于基于梯度的方法。

ABSTRACT

In our physically inspired in-tree (IT) based clustering algorithm and the series after it, there is only one free parameter involved in computing the potential value of each point. In this work, based on the Delaunay Triangulation or its dual Voronoi tessellation, we propose a nonparametric process to compute potential values by the local information. This computation, though nonparametric, is relatively very rough, and consequently, many local extreme points will be generated. However, unlike those gradient-based methods, our IT-based methods are generally insensitive to those local extremes. This positively demonstrates the superiority of these parametric (previous) and nonparametric (in this work) IT-based methods.

研究动机与目标

• 开发一种非参数聚类方法，消除势值计算中对自由参数的依赖。
• 利用Delaunay三角剖分和Voronoi镶嵌提取局部几何信息以实现聚类。
• 通过避免基于梯度的优化，提升对局部极值的鲁棒性。
• 利用内在几何特性将in-tree（IT）聚类框架扩展至非参数设置。
• 证明通过三角剖分实现的几何邻近性可有效识别自然聚类结构。

提出的方法

• 该方法基于Delaunay三角剖分中每个数据点的局部邻域计算其势值，仅依赖几何邻近性。
• 利用Voronoi镶嵌的对偶结构，为每个点定义局部区域以进行势值计算。
• 聚类过程采用由计算出的势值引导的最近邻下降策略。
• 该算法为非参数方法，因其势函数计算无需调节自由参数。
• 局部极值点被接受为聚类中心，且该方法对这些点的存在表现出鲁棒性。
• 该方法受物理模型启发，将高势值点视为聚类种子。

实验结果

研究问题

• RQ1 Delaunay三角剖分能否提供一种可靠、无参数的聚类势值局部计算方法？
• RQ2 基于三角剖分的非参数势值计算在多大程度上提升聚类对局部极值的鲁棒性？
• RQ3 当从参数化势值计算转向非参数化势值计算时，基于IT的聚类框架在性能上保持程度如何？
• RQ4 通过Delaunay三角剖分实现的几何邻近性能否有效揭示复杂数据中的自然聚类结构？
• RQ5 与基于梯度的聚类方法相比，该方法在稳定性和准确性方面表现如何？

主要发现

• 基于Delaunay三角剖分的非参数势值计算成功识别出聚类中心，且无需自由参数。
• 该方法对大量局部极值保持鲁棒，相比基于梯度的替代方法表现出更优的稳定性。
• Voronoi镶嵌的使用增强了局部邻域表示，提升了聚类精度。
• 所提方法在保持in-tree（IT）框架核心优势的同时，成功扩展至非参数设置。
• 实证结果表明，该方法能有效聚类具有复杂非球形结构的数据。
• 由于其几何基础，该算法在多种数据集上均表现出稳定的聚类性能。