大阪城市大学的 SOM-OLP 将经典聚类复杂度从二次降至线性
大阪城市大学的研究者提出了 SOM-OLP，一种基于目标函数的新型自组织映射变体，它为每个数据点赋予各自的连续隐坐标。这一改动把算法的计算成本从 O(NM²) 降至 O(NM)，并在 16 项基准测试中取得领先。它之所以重要，是因为聚类是数据分析的常用工具，线性复杂度有望让高质量聚类在大规模数据上变得切实可行。
报道来源
- Alpha Signal2026-10-28 01:16
大阪城市大学的研究者提出了 SOM-OLP，一种基于目标函数的新型自组织映射变体，它为每个数据点赋予各自的连续隐坐标。这一改动把算法的计算成本从 O(NM²) 降至 O(NM)，并在 16 项基准测试中取得领先。它之所以重要，是因为聚类是数据分析的常用工具，线性复杂度有望让高质量聚类在大规模数据上变得切实可行。