近期，計算機與信息科學學院2021級本科生彭杰在中科院1區Top期刊《Applied Soft Computing》上發表學術論文“Density-based clustering with boundary samples verification”，陳勇副教授為通訊作者。
在機器學習領域，基于密度的聚類方法是一個重要研究方向。傳統密度聚類技術主要通過分析數據的局部密度來對樣本進行分類。然而，當處理邊緣區域樣本時，這些方法面臨著較大挑戰，如在低密度邊界樣本易被誤判為噪聲，在密度相近且鄰近的兩個群簇之間準確劃分邊界點的困難。
該研究提出了一種基于K最近鄰的密度聚類邊界樣本改進方法，通過深入分析樣本與其K最近鄰的空間關系及其與新形成的簇之間的連接性，有效識別邊界樣本。在所有簇完全形成后，進一步根據樣本的K最近鄰調整其分類標簽，從而顯著提高對邊界樣本的分類精度。該研究通過在18個公開數據集上進行的廣泛實驗，驗證了所提出方法的有效性。實驗結果清楚地展示了該方法在處理邊界樣本方面的獨特優勢，能夠有效提升聚類的準確性和魯棒性。
原文鏈接
