姬 强，孙艳丰，胡永利，尹宝才

(北京工业大学信息学部多媒体与智能软件技术北京市重点实验室，北京 100124)

当今社会是一个信息爆炸的时代，随着5G技术的日趋成熟，数据的采集量和传输量呈指数增长.各个领域每时每刻都在产生海量的图像、文本、视频、音频等数据.这些数据往往具有规模大、实时性强、维度高、结构复杂等特点.这无疑给人工标注带来严峻的挑战.因此，如何能以无监督的方式从海量复杂数据中挖掘出有效信息是业界亟待解决的难点.

聚类作为无监督学习领域中一项关键技术，其通过发现数据间内在结构的相关性，将数据进行自动的分组.传统的聚类方法大致分为5类，分别是以K-means[1]等为代表的划分聚类、以DBSCAN[2]为代表的密度聚类、以Chameleon[3]为代表的层次聚类、以谱聚类[4]为代表的图聚类和以高斯混合聚类(Gaussian mixture model,GMM)[5]为代表的模型聚类.虽然上述的传统方法有其各自擅长的聚类情形，但是当面对大规模高维复杂的数据时，直接应用传统方法往往会失效.其原因在于：1)传统欧式距离度量难以准确评估样本之间的相似性.2)高维空间数据分布稀疏，簇类结构不清晰.3)规模大、维度高所带来的高时间和空间复杂度难题，限制了算法的应用.针对上述问题，一种结合降维技术和聚类算法的解决方案被广泛认可，即先采用降维技术，如主成分分析[6]、局部线性嵌入[7]或核方法[8]等对数据进行降维，再对降维后的特征进行聚类.该方案虽然在一定程……