Clustering

Beschreibung

Clustering, d.h. das Gruppieren von Elementen bezüglich Ähnlichkeitsmerkmalen, ist eine fundamentale Aufgabe im maschinellen Lernen. Wir entwickeln schnelle Algorithmen für die Multicut-Formulierung des Clusteringproblems. Ein besonderes Augenmerk liegt auf skalierbaren, theoretisch fundierten Algorithmen, die auf Datenmengen arbeiten, die zuvor eine zu lange Laufzeit erfordert haben. Im Zusammenhang damit sind wir an GPU-Lösern interessiert. Ein zweiter Fokus liegt auf dichtem Multicut, d.h. von Clustering-Problemen, für die Ähnlichkeitsmerkmale für alle paare von Punkten gegeben sind.

Literatur

•  "ClusterFuG: Clustering Fully connected Graphs by Multicut", Abbas, Ahmed and Swoboda, Paul, IEEE Conference on Computer Vision and Pattern Recognition (CVPR) 2023
• "RAMA: A Rapid Multicut Algorithm on GPU", Abbas, Ahmed and Swoboda, Paul, Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR) 2022 
• "Combinatorial persistency criteria for multicut and max-cut", Lange, Jan-Hendrik and Andres, Bjoern and Swoboda, Paul, Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR)2019 
• "A message passing algorithm for the minimum cost multicut problem", Swoboda, Paul and Andres, Bjoern, Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR) 2017