聚类

大语言模型时代的无监督学习：聚类与降维全解析从K-Means到PCA，一篇讲透无监督学习的核心算法在工业4.0时代，数据每天都在以惊人的速度增长。然而，现实情况往往是：数据堆积如山，标签却寥寥无几。获取标注数据需要大量的人工成本和时间投入，这在许多场景下几乎不可行。这正是无监督学习大显身手的地方。

北冥有羽Victoria

TGC：深度时序图聚类的动态建模与时空平衡｜ICLR 2024 深度解读本文深度解读ICLR 2024 论文《DEEP TEMPORAL GRAPH CLUSTERING》，该文提出创新深度时序图聚类框架 TGC，针对静态图聚类无法捕捉时序动态信息的问题进行改进。框架通过时序模块挖掘动态交互，结合节点级分布与批次级重建两个深度聚类模块，实现时序图数据的有效处理。实验表明，TGC 在多数据集上显著优于传统静态方法，在大规模图数据中兼具低内存消耗与高计算效率，可灵活平衡时空需求，为动态图分析提供新方案。论文贡献包括：系统探讨时序与静态图聚类差异、提出通用时序聚类框架、解决该领域数

再一次等风来

聚类入门：从基本原理到工程应用在工程问题中，我们经常会遇到这样一种情况：手里有一批数据，但这些数据没有标签。也就是说，我们知道“它们长什么样”，却不知道“它们分别属于哪一类”。

【机器学习 | 第七篇】- 聚类算法聚类算法在现实中可以应用于用户画像，广告推荐，Data Segmentation，搜索引擎的流量推荐，恶意流量识别，基于位置信息的商业推送，新闻聚类，筛选排序，图像分割，降维，识别；离群点检测；信用卡异常消费；发掘相同功能的基因片段，今天我们来学习一下聚类算法！

打破“像素级”扫描瓶颈：聚类驱动的4K图像恢复新范式 (解读 Scan Clusters, Not Pixels)在图像恢复（Image Restoration）领域，如何在获得全局感受野的同时保持计算的高效性，始终是一个核心难题。从早期的卷积神经网络（CNN）到近年的视觉Transformer（ViT），算力与精度的博弈从未停止。最近，状态空间模型（State Space Models, SSMs，如Mamba）凭借其线性的计算复杂度（O(N)O(N)O(N)）备受瞩目。

为什么你的数据里藏着“隐形圈子”？聊聊AI中的聚类你有没有过这种体验：拿到一堆数据，既没有标签，也不知道该怎么分类，但直觉告诉你——这堆东西里，某些个体就是更“像”彼此，它们应该属于同一伙。我们所说的聚类，干的就是这件事。

做科研的周师兄

巴音河中下游灌溉草地空间分布数据集（2020年）巴音河中下游灌溉草地空间分布数据集（2020年）Spatial distribution dataset of irrigated grasslands in the middle and lower reaches of the Bayin River (2020)

阿钱真强道

29 Python 聚类：什么是聚类？它和分类到底有什么区别？在机器学习入门阶段，很多人最先接触的是分类。比如：这类任务有一个共同特点：数据是有标签的。也就是说，我们事先知道每条数据属于哪一类，模型要做的是学习这些标签背后的规律，然后对新数据进行预测。

阿钱真强道

31 Python 聚类：层次聚类怎么理解？AGNES 和 DIANA 有什么区别？前面我们已经介绍了聚类的基本概念，也讲了最经典的划分式聚类算法 K-Means。但聚类并不只有“先设 K，再反复调整中心”这一种思路。

gorgeous(๑>؂<๑）

【CVPR26-雷涛-陕西科技大学陕西省人工智能联合实验室】SPEGC：基于语义提示增强图聚类的医学图像分割持续测试时自适应文章：SPEGC: Continual Test-Time Adaptation via Semantic-Prompt-Enhanced Graph Clustering for Medical Image Segmentation

机器学习(二十三) 密度聚类与层次聚类密度聚类即"基于密度的聚类"(density-based clustering)，此类算法通过样本分布的紧密程度确定聚类结构。通常情况下，密度聚类算法从样本密度的角度考察样本之间的可聚类性，并基于样本之间的可聚类性不断扩展聚类簇获得最终的聚类结果。

机器学习聚类算法二——DBSCAN（Density-Based Spatial Clustering of Applications with Noise）DBSCAN（Density-BasedSpatialClusteringofApplicationswithNoise）是一种基于密度的聚类算法，其核心思想是通过发现数据中的高密度区域来识别簇，并将低密度区域的数据点标记为噪声。

放下华子我只抽RuiKe5

机器学习启航：从数据直觉到模型构建的第一块基石前言：很多人一听到“机器学习”，脑海中浮现的往往是复杂的数学公式、晦涩的神经网络图，或者是科幻电影里觉醒的机器人。但如果你刚学完机器学习的基础章节，你会发现，它的核心其实非常朴素：教计算机像人类一样，从经验（数据）中学习规律，而不是死记硬背规则。

机器学习(二十二) 原型聚类：k均值算法、学习向量量化、高斯混合聚类无监督学习(unsupervised learning) 目标是通过对无标记训练样本的学习来揭示数据的内在性质及规律，此类学习任务中研究与应用最多的是"聚类"(clustering)。

Σίσυφος1900

PCL聚类之区域生长目标：根据点云的局部连续性，将点云分成若干簇（cluster）。不仅考虑欧式距离，还考虑法向一致性或曲率平滑性。

放下华子我只抽RuiKe5

AI大模型开发-实战精讲：从零构建 RFM 会员价值模型（进阶挑战版）前言在你通往 AI 大模型开发的道路上，除了掌握复杂的神经网络算法，扎实的数据处理能力才是地基。大模型的训练本质上是海量数据的清洗、特征工程与价值挖掘。

放下华子我只抽RuiKe5

机器学习全景指南-探索篇——发现数据内在结构的聚类算法为了将这所有博客里的知识点逻辑顺畅地串联起来，特此设计了以下目录结构。这个顺序遵循了“概念引入 -> 基础回归 -> 分类进阶 -> 无监督学习”的学习路径：

Σίσυφος1900

PCL聚类之欧式聚类（最常用）目标：将点云中的点按空间距离相近性划分为不同的簇（cluster）。数学上：通过欧式距离衡量点与点之间的相似性。

所谓伊人，在水一方333

【Python数据科学实战之路】第12章 | 无监督学习算法实战：聚类与降维的奥秘本章我们将深入探索无监督学习的核心算法，掌握K-Means、层次聚类、DBSCAN等聚类方法，以及PCA、t-SNE等降维技术，学会从数据中发现隐藏的模式与结构。

降维打击聚类难题：高斯混合模型 (GMM) 深度解析与实战在机器学习的聚类算法中，很多人首先想到的是 K-Means。但在实际工程中，数据往往不是完美的球形分布。当数据呈现出椭圆形、重叠严重或者需要知道“某个点属于某类的概率”时，高斯混合模型 (Gaussian Mixture Model, GMM) 才是真正的利器。