摘要

本文介绍了一种名为A3S（Adaptive Active Aggregation and Splitting）的新型主动聚类框架，该框架通过集成人工标注的成对约束来提升聚类性能。传统的半监督聚类方法在处理具有大量类别的大型数据集时，查询成本较高。A3S通过在初始聚类结果上进行策略性的主动聚类调整，显著提高了聚类的性能和可扩展性。该框架在多个真实世界数据集上的广泛实验表明，A3S能够在显著减少人工查询的情况下实现预期的聚类效果。

原理

A3S框架的核心在于其自适应的初始化和主动的聚类调整阶段。在初始化阶段，A3S使用指定的聚类算法（如K-means或层次聚类）自主确定适当的聚类数量并生成初始聚类结果。在主动聚类调整阶段，A3S主动识别预期能最大程度提升NMI值的聚类对，并评估聚类中样本的纯度。如果聚类纯度高，则将查询结果为“必须链接”的聚类合并；如果纯度低，则将聚类分割为纯子聚类和离群点。这一过程重复进行，直到不再需要进行聚类合并和分割。

流程

A3S的工作流程包括两个主要阶段：自适应聚类阶段和主动聚类合并与分割阶段。在自适应聚类阶段，框架首先确定一个适当的聚类数量，然后使用指定的聚类算法生成初始聚类结果。在主动聚类合并与分割阶段，A3S根据成对约束策略性地选择聚类对进行合并或分割。具体流程如下：

1. 使用自适应聚类算法确定初始聚类数量并生成聚类结果。
2. 根据成对约束选择聚类对。
3. 对选定的聚类对进行纯度测试。
4. 如果聚类对通过纯度测试，则查询其中心样本，根据查询结果决定是否合并聚类。
5. 如果聚类对未通过纯度测试，则将其分割为纯子聚类。
6. 重复上述过程，直到不再需要进行聚类合并和分割。

应用

A3S框架在缺乏先验数据信息（如类别数量或样本分布）的聚类任务中表现出色，尤其适用于需要定期数据聚合的实际应用场景，如每周更新数据集。此外，A3S能够有效地管理数据集中的冗余信息，适用于大型数据集的处理。