Tutorial: Semantic Clustering of User Messages with LLM Prompts
作为开发人员倡导者，跟上用户论坛消息并了解用户在说什么的全局是一项挑战。有很多有价值的内容 - 但是您如何快速发现关键对话？在本教程中，我将向您展示一个AI hack，仅通过提示LLMS来执行语义聚类！ […]帖子教程：使用LLM提示的用户消息的语义聚类首先出现在数据科学上。
OpenAI embeddings and clustering for survey analysis — a How-To Guide
如何从调查数据中获取见解并使用嵌入和大型语言模型提取主题继续阅读 Towards Data Science »
A Novel Approach to Detect Coordinated Attacks Using Clustering
揭示隐藏的模式：对恶意行为进行分组聚类是无监督机器学习中的一种强大技术，它根据给定数据的固有相似性对其进行分组。与分类等依赖预先标记的数据来指导学习过程的监督学习方法不同，聚类对未标记的数据进行操作。这意味着没有预定义的类别或标签，相反，算法会在不事先知道分组应该是什么样子的情况下发现数据的底层结构。聚类的主要目标是将数据点组织成簇，其中同一簇内的数据点彼此之间的相似性高于不同簇中的数据点。这种区别使聚类算法能够形成反映数据中自然模式的组。本质上，聚类旨在最大化簇内相似性，同时最小化簇间相似性。这种技术在需要查找数据中隐藏的关系或结构的用例中特别有用，这使得它在欺诈检测和异常识别等领域很有价值
Nephila spider male aggregation: preference for optimal female size and web clustering
Nephila 蜘蛛雄性聚集：偏好最佳雌性尺寸和网状聚类摘要性别尺寸二态性理论预测存在偏差的操作性别比 (OSR) 和某些雌性中雄性分布不均。我们通过对新加坡巨型木蜘蛛 Nephila pilipes（Nephilidae 科）进行实地普查研究了这一现象，该物种的雌性平均比雄性大 6.9 倍。具体来说，我们测试了两种有关雄性分布的假设，因为它们倾向于聚集在某些雌性网中。最佳雌性尺寸假设预测雄性主要占据中等大小雌性的网。网状聚类假设认为，与距离较远的网相比，距离较近的网中会发现更多雄性。我们的快照普查显示 OSR 偏向雌性（雌性：雄性 = 1.85），雌性网中的雄性分布不均。大多数雄性蜘蛛都出现
Why Clustering Fails. And how to fix it | by Ryan Feather | Jul, 2024
以及如何解决它 您遇到了数据解释问题，因此您尝试了聚类。现在您遇到了聚类解释问题！人们怀疑数据中可能存在模式。合理的是，希望通过无监督学习添加一些结构会带来一些见解。集群是查找的首选工具 帖子为什么聚类会失败。以及如何解决它 | 作者 Ryan Feather | 2024 年 7 月首先出现在 AI Quantum Intelligence 上。
BanditPAM: Almost Linear-Time k-medoids Clustering via Multi-Armed Bandits
TL;DR想要比 \(k\)-means 更好的东西吗？我们最先进的 NeurIPS \(k\)-medoids 算法 BanditPAM 现已公开！\(\texttt{pip install banditpam}\)，您就可以开始了！与 \(k\)-means 问题一样，\(k\)-medoids 问题是一个聚类问题，我们的目标是将数据集划分为不相交的子集。然而，在 \(k\)-medoids 中，我们要求聚类中心必须是实际数据点，这允许对聚类中心进行更好的解释。\(k\)-medoids 还可以更好地处理任意距离度量，因此如果您使用 \(L_1\) 之类的度量，您的聚类对异常值会更稳健。尽
BanditPAM: Almost Linear-Time k-medoids Clustering via Multi-Armed Bandits
TL;DR想要比 \(k\)-means 更好的东西吗？我们最先进的 NeurIPS \(k\)-medoids 算法 BanditPAM 现已公开！\(\texttt{pip install banditpam}\)，您就可以开始了！与 \(k\)-means 问题一样，\(k\)-medoids 问题是一个聚类问题，我们的目标是将数据集划分为不相交的子集。然而，在 \(k\)-medoids 中，我们要求聚类中心必须是实际数据点，这允许对聚类中心进行更好的解释。\(k\)-medoids 还可以更好地处理任意距离度量，因此如果您使用 \(L_1\) 之类的度量，您的聚类可以对异常值更具鲁棒
sparklyr 1.6: weighted quantile summaries, power iteration clustering, spark_write_rds(), and more
sparklyr 1.6 版本引入了加权分位数摘要、用于支持迭代聚类的 R 接口、spark_write_rds()，以及许多与 dplyr 相关的改进。
Clustering with Dirichlet Process Mixture Model in Java
在之前的文章中，我们详细讨论了狄利克雷过程混合模型及其在聚类分析中的应用。在本文中，我们将介绍两种不同 DPMM 模型的 Java 实现：可用于聚类高斯数据的 Dirichlet 多元正态混合模型和 Dirichlet-多项式混合模型 […]
Clustering documents and gaussian data with Dirichlet Process Mixture Models
本文是使用 DPMM 进行聚类教程的第五部分。在之前的文章中，我们详细介绍了该方法的理论背景，并描述了它的数学表示和构建方法。在这篇文章中，我们将尝试通过介绍两个模型将理论与实践联系起来 […]
Overview of Cluster Analysis and Dirichlet Process Mixture Models
在伦敦帝国理工学院机器学习硕士学位的 ISO 研究项目中，我专注于使用狄利克雷过程混合模型进行聚类分析的问题。DPMM 是一种“完全贝叶斯”无监督学习技术，与其他聚类分析方法不同，它不需要我们预先定义聚类总数 [...]
Why Do Headaches Feel So Different From Other Kinds of Pain?
为什么严重的头痛（从偏头痛的磨碎到灼热的聚类攻击）使一个人陷入摇摆和起搏的态度 - 与任何其他类型的身体痛苦都有很大的不同吗？本质上，令人难以置信的头部疼痛似乎崩溃了身体与自我之间的分离。
Soft Computing, Volume 29, Issue 9-10, May 2025
1) Graph-induced topological space: from topologies to separation axiomsAuthor(s): Quang-Thinh Bui, Thanh Nha Nguyen, Bay VoPages: 4301 - 43162) Exploiting the geometry of heterogeneous networks: a case study of the Indian stock marketAuthor(s): Pawanesh, Charu Sharma, Niteesh SahniPages: 4317 - 433
在这篇文章中，我们演示了如何使用自然语言和图像查询使用大型视觉模型（LVM）进行语义视频搜索。我们介绍了一些特定于用例的方法，例如时间框架平滑和聚类，以增强视频搜索性能。此外，我们通过在Amazon Sagemaker AI上使用异步和实时托管选项来演示这种方法的端到端功能，以使用拥抱面部模型中心上的公开可用的LVMS执行视频，图像和文本处理。最后，我们将Amazon OpenSearch与其矢量引擎一起用于低延迟语义视频搜索。
Soft Computing. Volume 29, Issue 3, February 2025
1) Some new construction methods of similarity measure on picture fuzzy setsAuthor(s): Minxia Luo, Jianlei Gao, Wenling LiPages: 1273 - 12872) Arithmetic optimization algorithm with cosine transform-based two-dimensional composite chaotic mappingAuthor(s): Yi-Xuan Li, Jie-Sheng Wang, Xin-Ru MaPage
Soft Computing. Volume 29, Issue 2, January 2025
1）使用覆盖方法研究概念Latticesauthor（S）：Guilong Liu，XIUWEI，GAOPAGES：425-4342）无用的Mappingsauthor的Picard -Cr迭代过程的收敛分析（S） ：435-4553）动态行为和混乱控制均匀网络系统的冲突信息传播器的混乱控制：Ankur Jain，Joydip Dhar，Vijay K. Guptapages：457-4694）Rough setSauthor的环形结构：Arun Kumar，Arun Kumar，Bisham Dewanpages：471-481-488335）双向在线序列序列极限学习机和软传感器模型的切换策
