Merge 如何合并不同聚类方法的聚类结果？

问题：在我看来，聚类方法

c（）

的一个基本属性是我们是否可以通过两个聚类的某个函数

f（）

组合结果

c（a）

和

c（B）

，而不必应用完整的聚类

c（a+B）

再次执行，但改为执行

f（c（A），c（B））

并仍然得到相同的结果：

c(A+B) == f(c(A),c(B))

我假设某些

c（）

具有此属性的一个必要条件是它是确定的，即其内部处理的顺序与结果无关。然而，这可能还不够

如果有一些参考资料，可以在哪里查找哪些集群方法支持这一点，以及一个好的

f（）


示例：目前我正在考虑DBSCAN，如果我允许边界点同时属于多个集群（不连接它们），那么DBSCAN应该是确定性的：

如果一个点位于其eps邻域中，则该点可以从另一个点到达
核心点是至少可以到达MINPT的点
一条边从每个核心点延伸到所有可以到达的点
从核心点引入边的每个点都与核心点位于同一簇中
如果忽略了噪波点，则假设每个核心节点都达到自身（自反性），然后我们将噪波点定义为大小为1的簇。边界点是非核心点。之后，如果我们想要分区，我们可以将多个集群中的边界点随机分配给其中一个集群。我不认为这与方法本身是相关的。
对于DBSCAN，您有一个问题，即添加数据时核心点属性可能会发生更改。所以c（A+B）的核心点可能不是A或B中的核心点。这可能会导致集群合并。f（）可能需要重新检查所有数据点，即重新运行DBSCAN。虽然您可以利用子集的核心点必须是整个集合的核心这一点，但您仍然需要找到邻居和缺少的核心点。
据推测，唯一有效的聚类是单链接层次聚类，因为从A x A和B x B中删除的边对于查找联接集的MST不是必需的

对于DBSCAN，您有一个问题，即添加数据时核心点属性可能会发生更改。所以c（A+B）的核心点可能不是A或B中的核心点。这可能会导致集群合并。f（）可能需要重新检查所有数据点，即重新运行DBSCAN。虽然您可以利用子集的核心点必须是整个集合的核心这一点，但仍然需要找到邻居和缺少的核心点。
是的，我想我也有类似的想法，尤其是人们很容易忘记核心点属性可以更改。我想如果一个人为分布式计算创建分区，他会这样做，这样就不会发生这种情况（尽管还没有读过相关文献）。对于我研究过的相似性计算的案例，eps邻域是最昂贵的部分（我认为即使在复杂性方面），因此我考虑更新相似性矩阵，并将计算出的可达性传递闭包添加到“边缘”矩阵（收敛更快），然而，这并不是内存有效的…有基于会议结果的DBSCAN并行版本。但是它们没有正式使用c（A）和c（B），而是不对称的。我必须问的问题是：给定两个样本x，y其中x=y，x在A中，y在B中，会发生吗？我想如果分区是有意的，通常不会发生这种情况，但我必须检查不同的方法。这个问题通常不适用于方法，因为它们不会对数据进行简单的分区。这里要做的显而易见的事情是对查询使用不相交的分区a、b，但对查询结果使用整个数据。然后保证核心属性是正确的，并且只计算一次。然后，您可以组装正确的DBSCAN结果。但是它是f（cmodified（a，everything），cmodified（b，everything））而不是f（c（a），c（b））。是的，我想我有类似的想法，特别是人们很容易忘记核心点属性可以改变。我想如果一个人为分布式计算创建分区，他会这样做，这样就不会发生这种情况（尽管还没有读过相关文献）。对于我研究过的相似性计算的案例，eps邻域是最昂贵的部分（我认为即使在复杂性方面），因此我考虑更新相似性矩阵，并将计算出的可达性传递闭包添加到“边缘”矩阵（收敛更快），然而，这并不是内存有效的…有基于会议结果的DBSCAN并行版本。但是它们没有正式使用c（A）和c（B），而是不对称的。我必须问的问题是：给定两个样本x，y其中x=y，x在A中，y在B中，会发生吗？我想如果分区是有意的，通常不会发生这种情况，但我必须检查不同的方法。这个问题通常不适用于方法，因为它们不会对数据进行简单的分区。这里要做的显而易见的事情是对查询使用不相交的分区a、b，但对查询结果使用整个数据。然后保证核心属性是正确的，并且只计算一次。然后，您可以组装正确的DBSCAN结果。但它是f（c修饰的（a，一切），c修饰的（b，一切））而不是f（c（a），c（b））。