Dissimilarity Clustering by Hierarchical Multi-Level Refinement - Archive ouverte HAL
Communication Dans Un Congrès Année : 2012

Dissimilarity Clustering by Hierarchical Multi-Level Refinement

Résumé

We introduce in this paper a new way of optimizing the natural extension of the quantization error using in k-means clustering to dissimilarity data. The proposed method is based on hierarchical clustering analysis combined with multi-level heuristic refinement. The method is computationally efficient and achieves better quantization errors than the relational k-means

Domaines

Machine Learning [stat.ML] Apprentissage [cs.LG]
Fichier principal
Vignette du fichier
dist-clust.pdf (220.02 Ko) Télécharger le fichier
esann12-132-friday.pdf (61.19 Ko) Télécharger le fichier
esann2012.pdf (430.24 Ko) Télécharger le fichier
Origine Fichiers produits par l'(les) auteur(s)
Format Autre
Format Autre

Fabrice Rossi  : Connectez-vous pour contacter le contributeur

https://hal.science/hal-00692282

Soumis le : dimanche 29 avril 2012-18:15:12

Dernière modification le : lundi 17 avril 2023-14:50:06

Archivage à long terme le : jeudi 15 décembre 2016-03:28:33

Télécharger pour visualiser

Dates et versions

hal-00692282 , version 1 (29-04-2012)

Identifiants

Citer

Brieuc Conan-Guez, Fabrice Rossi. Dissimilarity Clustering by Hierarchical Multi-Level Refinement. 20-th European Symposium on Artificial Neural Networks, Computational Intelligence and Machine Learning (ESANN 2012), Apr 2012, Bruges, Belgium. pp.483-488. ⟨hal-00692282⟩

Exporter

BibTeX XML-TEI Dublin Core DC Terms EndNote DataCite

Collections

UNIV-PARIS1 SAMOS SAMM UNIV-LORRAINE
105 Consultations
346 Téléchargements

Altmetric

Partager

More