Một hướng tiếp cận mới đối với bài toán phân cụm sử dụng phương pháp cắt đồ thị mờ bán giám sát
59 lượt xemDOI:
https://doi.org/10.54939/1859-1043.j.mst.113.2026.158-167Từ khóa:
Phân cụm; Học bán giám sát; Đồ thị; Đồ thị neo.Tóm tắt
Các thuật toán phân cụm truyền thống dựa trên đặc trưng thường không thể nắm bắt một cách hiệu quả cấu trúc hình học của dữ liệu. Nhằm khắc phục hạn chế này, bài báo đề xuất một thuật toán phân cụm cắt đồ thị mờ bán giám sát (Semi-Supervised Fuzzy Graph Cut Clustering – SS-FGCC), trong đó tích hợp các nhãn của điểm neo vào quá trình phân cụm mờ và khai thác cấu trúc đồ thị nhằm nâng cao chất lượng phân cụm, đồng thời giảm độ phức tạp tính toán xuống thời gian tuyến tính. Các thực nghiệm được tiến hành trên 06 bộ dữ liệu tổng hợp và 05 bộ dữ liệu UCI cho thấy SS-FGCC đạt hiệu quả vượt trội so với các phương pháp RCut, NCut, FCM, FFCAG, FGCC và CEHM, với độ chính xác đạt tới 82,76%. Hơn nữa, phương pháp được đề xuất duy trì được tính ổn định khi xử lý các bộ dữ liệu quy mô lớn, trong khi các phương pháp cắt đồ thị truyền thống thường gặp phải những hạn chế về bộ nhớ. Do đó, SS-FGCC là một giải pháp phân cụm hiệu quả, có khả năng mở rộng và phù hợp với việc xử lý các bộ dữ liệu quy mô lớn
Tài liệu tham khảo
[1]. Y.-C. Wei and C.-K. Cheng, “Towards efficient hierarchical designs by ratio cut partitioning”, IEEE International Conference on Computer-Aided Design. Digest of Technical Papers, pp. 298–301, (1989).
[2]. J. Shi and J. Malik, “Normalized cuts and image segmentation”, IEEE Transactions on Pattern Analysis and Machine Intelligence, Vol. 22, No. 8, pp. 888–905, (2000). DOI: https://doi.org/10.1109/34.868688
[3]. J. C. Bezdek, “Pattern recognition with fuzzy objective function algorithms”, Springer Science & Business Media, (2013).
[4]. Q. Qiang, B. Zhang, C. J. Zhang, Y. Hua and F. Nie, “Fast fuzzy graph cut for clustering”, IEEE Transactions on Fuzzy Systems, (2025). DOI: https://doi.org/10.1109/TFUZZ.2025.3581351
[5]. “UCI Machine Learning Repository”, https://archive.ics.uci.edu/.
[6]. X. Chen and D. Cai, “Large scale spectral clustering with landmark-based representation”, Proceedings of the AAAI Conference on Artificial Intelligence, Vol. 25, No. 1, pp. 313–318, (2011). DOI: https://doi.org/10.1609/aaai.v25i1.7900
[7]. J. Wang, Z. Ma, F. Nie and X. Li, “Efficient discrete clustering with anchor graph”, IEEE Transactions on Neural Networks and Learning Systems, Vol. 35, No. 10, pp. 15012–15020, (2024). DOI: https://doi.org/10.1109/TNNLS.2023.3279380
[8]. M. Ester, H.-P. Kriegel and X. Xu, “A density-based algorithm for discovering clusters in large spatial databases with noise”.
[9]. F. Nie, C. Liu, R. Wang, Z. Wang and X. Li, “Fast fuzzy clustering based on anchor graph”, IEEE Transactions on Fuzzy Systems, Vol. 30, No. 7, pp. 2375–2387, (2021). DOI: https://doi.org/10.1109/TFUZZ.2021.3081990
[10]. W. Pedrycz and J. Waletzky, “Fuzzy clustering with partial supervision”, IEEE Transactions on Systems, Man, and Cybernetics, Part B: Cybernetics, Vol. 27, No. 5, pp. 787–795, (1997). DOI: https://doi.org/10.1109/3477.623232
[11]. F. Li et al., “k-HyperEdge medoids for clustering ensemble”, Proceedings of the AAAI Conference on Artificial Intelligence, Vol. 39, No. 17, pp. 18271–18278, (2025). DOI: https://doi.org/10.1609/aaai.v39i17.34010
