基于近邻传播的迁移聚类算法

　　在目标域可利用数据匮乏的场景下，传统聚类算法的性能往往会下降，在该场景下，通过抽取源域中的有用知识用于指导目标域学习以得到更为合适的类别信息和聚类性能，是一种有效的学习策略．借此提出一种基于近邻传播的迁移聚类（transfer affinity propagation，简称TAP）算法，在源域和目标域数据分布相似的情况下，通过引入迁移学习机制来改善近邻传播聚类（affinity propagation，简称AP）算法在数据匮乏场景下的聚类性能，为保证迁移的有效性，TAP在综合考虑源域和目标域的统计特性及几何特征的基础上改进AP算法中的消息传递机制使其具备迁移能力，从而达到辅助目标域学习的目的．此外，通过TAP对应的因子图，亦可说明TAP可以以类似AP的消息传递机制，在目标域数据匮乏的情况下进行高效的知识迁移，为最终所获得的聚类结果提供了保证．在interwetten与威廉的赔率体系 数据集和真实数据集上的仿真实验结果显示，所提出的算法较之经典AP算法在处理非充分数据聚类任务时具有更佳的性能．