Adaptive Transfer Clustering: A Unified Framework
自适应迁移聚类：统一框架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。
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：摘要核心是跨数据集通用聚类，随机区组模型仅为适用模型之一，未明确聚焦经济网络或网络干扰。
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…
关注这篇论文的作者
自适应迁移聚类：统一框架
- 研究问题
- 当主数据与辅助数据来自同一批对象，却反映相似但不同的潜在分组时，如何在差异未知的情况下利用共享信息改善聚类？
- 方法与思路
- 作者提出自适应迁移聚类算法，通过优化估计的偏差—方差分解来选择迁移程度，覆盖高斯混合、随机区组和潜在类别模型。
- 材料陈述的贡献
- 摘要称在高斯混合模型下证明算法最优性并量化迁移收益，模拟与真实数据实验支持其在多种场景中的有效性。
- 阅读关注点
- 应核对两套潜在分组的差异度量、偏差—方差分解如何估计，以及高斯混合模型的最优性结论能否延伸到其他模型。
- 阅读边界
- 仅据稿件版本未注明的 OpenAlex 索引摘要；最优性条件和其他模型的理论保证未详述，不能将高斯混合下的结论推广至所有聚类模型，也不能推断刊本变化。
原文摘要
We propose a general transfer learning framework for clustering given a main dataset and an auxiliary one about the same subjects. The two datasets may reflect similar but different latent grouping structures of the subjects. We propose an adaptive transfer clustering (ATC) algorithm that automatically leverages the commonality in the presence of unknown discrepancy, by optimizing an estimated bias-variance decomposition. It applies to a broad class of statistical models including Gaussian mixture models, stochastic block models, and latent class models. A theoretical analysis proves the optimality of ATC under the Gaussian mixture model and explicitly quantifies the benefit of transfer. Extensive simulations and real data experiments confirm our method’s effectiveness in various scenarios. Supplementary materials for this article are available online, including a standardized description of the materials available for reproducing the work.