Cluster Ensemble via Synchronized Relabeling

The cluster ensemble problem is an important problem in unsupervised learning that aims at aggregating multiple noisy partitions into a unique/better clustering solution. It can be formulated in terms of relabelling and voting, where relabelling refers to the task of finding optimal permutations that bring coherence among labels in input partitions. In this paper we propose a novel solution to the relabelling problem based on permutation synchronization. By effectively circumventing the need for a reference clustering, our method achieves superior performance than previous work under varying assumptions and scenarios, demonstrating its capability to handle diverse and complex datasets.

Il problema del cluster ensemble è un importante problema nel contesto dell'unsupervised learning che punta ad aggregare più partizioni rumorose in una unica/migliore soluzione di clustering . Può essere formulato in termini di relabeling e voting, dove il relabeling si riferisce al problema di trovare permutazioni ottimali che portino coerenza tra le label nelle partizioni in input. In questa tesi proponiamo una soluzione innovativa al problema del relabeling, basata sulla sincronizzazione di permutazioni. Aggirando effettivamente la necessità di un clustering di riferimento, il nostro metodo raggiunge prestazioni superiori rispetto a lavori preesistenti tenendo conto di diverse ipotesi e scenari, dimostrando la sua capacità di gestire dataset eterogenei e complessi.