论文研究-具备迁移能力的类中心距离极大化聚类算法.pdf

传统的聚类算法在以下两种情况下存在直接失效的风险：一是数据稀少或存在大量干扰数据；二是为了调控数据间的差异性，对数据集进行缩放。为了同时解决上述两个问题，提出了历史知识迁移准则与中心间距极大化准则，并将其运用到极大熵聚类算法中，称之为具备历史迁移能力的中心极大化聚类算法。算法有三大突出的优点：在当前数据稀少或存在污染时，算法有效利用了历史知识进行迁移学习，从而证明了较好的聚类有效性；在数据缩放到一定倍数时，传统聚类算法取得的类中心趋于一致，而算法利用类中心间距极大化准则，有效避免了类中心一致的问题；算法所利用的历史知识均不暴露历史源数据，因此算法具有良好的历史数据隐私保护效果。通过模拟数据集和真实数据集的实验，验证了算法的上述优点。