Fast and Effective Active Clustering Ensemble Based on Density Peak

主要面向的问题

1. 半监督聚类方法通过随机选取成对约束来提高性能，这可能导致冗余和不稳定性。在这种情况下，主动聚类通过有效的使用成对约束来最大限度的提高注释的效率。
2. 主动学习现有的方法缺乏对查询条件的全面考虑，并且重复运行半监督聚类来更新标签。

   主要的方法

   主动密度峰值聚类

   在初始化阶段，测量对象$x_{i}$成为簇中心的概率，并采用多叉树表示成对对象$x_{i}$之间的关系。
   在静态选择阶段，通过查询具有代表性的对象$x_{i}$来构造初始领域，从而捕获聚类的模式。
   在动态选择阶段，通过迭代的查询具有最大局部不确定性的信息对象$x_{i}$，并通过一个快速更新策略（FUS）更新标签。
   

   初始化

   (a)计算局部密度 $ρ$
   (b)最小化距离 $δ_i$
   (c)描述树
   (d)量化程度$γ_i$

   静态代表实例选择

   虽然决策图可以识别出具有代表性的实例，但这种方法有两个局限性：
   1）必须绘制决策图，人为地选择转折点；
   2）选择的聚类中心可能不正确。为了解决这些问题，我们首先利用滑动窗口来自动识别转折点。然后，查询潜在的聚类中心，构造一个初始邻域集。
   flow st=>start: 滑动窗口 op=>operation: 潜在聚类中心ρ op1=>operation: 问询过程 op3=>end: 初始化社区N st(right)->op(right)->op1(right)->op3(right) &