Iterative Exploration-Driven Sparse SDP Clustering via Thompson Sampling
通过汤普森采样实现探索驱动的迭代稀疏半定规划聚类AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要研究通用高维稀疏聚类与变量探索，没有直接对应所列计量经济学细分领域的应用或模型证据。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
通过汤普森采样实现探索驱动的迭代稀疏半定规划聚类
- 研究问题
- 高维稀疏聚类中，如何协调聚类分配与变量选择，并利用主动探索减少局部最优问题，同时提供恢复保证？
- 方法与思路
- 作者交替执行半定规划聚类与变量选择，将后者建模为多臂老虎机，用聚类和置换检验生成奖励并进行汤普森采样。
- 材料陈述的贡献
- 摘要称，方法具有变量过度选择下的稳健性和自适应特征集的精确恢复保证，并在所研究实验中优于比较方法。
- 阅读关注点
- 核对分离条件、精确恢复保证的概率范围、置换奖励的有效性，以及历史选择如何更新后验和控制计算成本。
- 阅读边界
- 仅据 arXiv 第5版预印本摘要，不能确认同行评审或期刊接收。具体理论条件、误发现控制保证和性能差距未说明。
原文摘要
High-dimensional sparse clustering is a challenging combinatorial problem due to the tight coupling between cluster assignment and variable selection. We demonstrate that semidefinite programming (SDP) relaxation of K-means is robust to variable over-selection by establishing minimax separation bounds. Leveraging this robustness, we offer a twist on the recent trend of using exogenous randomness to evaluate feature importance and control false discovery by partially shifting the objective toward active feature exploration. We propose a randomized alternating block-coordinate framework that alternates between SDP clustering and feature selection. Here, feature selection is formulated as a multi-armed bandit problem, solved via Thompson Sampling with stochastic rewards generated by clustering and robust permutation tests. This approach introduces adaptive memory by aggregating historical variable-selection outcomes into posterior distributions, and selects features via posterior sampling, enabling stochastic exploration that promotes the inclusion of underexplored features and facilitates escape from local maxima. We establish uniform exact-recovery guarantees for adaptively selected feature sets. We extend the method to settings with unknown covariance through a scalable estimation procedure. Synthetic experiments and a real-data application in document clustering show that the proposed memory-driven randomized approach outperforms state-of-the-art sparse clustering methods across the studied settings.