用近似密度估计实现高维数据快速聚类，速度接近线性且结果可靠。
Almost Linear Time Consistent Mode Estimation and Quick Shift Clustering
- 结合LSH与快速转移算法，用近似核密度估计加速计算。
- 在高维空间中实现几乎线性时间复杂度的聚类，保持一致性。
- 适合需要快速处理大规模高维数据的场景，如推荐系统、图像分析。
本文提出一种在高维空间中进行基于密度聚类的方法，将局部敏感哈希（LSH）与快速转移（Quick Shift）算法相结合。通过引入基于LSH的近似核密度估计（KDE），扩展了快速转移算法的层次聚类能力，实现了高效的密度估计。所提方法在保持基于密度聚类一致性的同时，达到几乎线性的时间复杂度，显著提升了大规模高维数据的处理效率。
原文摘要 · Abstract (English)
In this paper, we propose a method for density-based clustering in high-dimensional spaces that combines Locality-Sensitive Hashing (LSH) with the Quick Shift algorithm. The Quick Shift algorithm, known for its hierarchical clustering capabilities, is extended by integrating approximate Kernel Density Estimation (KDE) using LSH to provide efficient density estimates. The proposed approach achieves almost linear time complexity while preserving the consistency of density-based clustering.
Thank you to arXiv for use of its open access interoperability. PaperDance 不是 arXiv 官方产品；中文卡片由大模型生成，请以原文为准。