分布式稀疏软大间隔聚类

虽然软大间隔聚类（Soft large margin clustering，SLMC）相比其他诸如K-Means等算法具有更优的聚类性能与某种程度的可解释性，然而当面对大规模分布存储数据时，均遭遇了同样的可扩展瓶颈，其涉及的核矩阵计算需要高昂的时间代价。消减此代价的有效策略之一是采用随机Fourier特征变换逼近核函数，而逼近精度所依赖的特征维度常常过高，隐含着可能过拟合的风险。本文将稀疏性嵌入核SLMC，结合交替方向乘子法（Alternating direction method of multipliers， ADMM），给出了一个分布式稀疏软大间隔聚类算法（Distributed sparse SLMC， DS-SLMC）来克服可扩展问题，同时通过稀疏化获得更好的可解释性。