2. 核心思想这篇论文的核心思想旨在解决集成聚类（Ensemble Clustering）领域面临的两个棘手问题：基聚类生成的效率与质量矛盾：传统的谱聚类虽然能识别任意形状的簇，但其高昂的时间和空间复杂度（主要是相似度矩阵构建和特征值分解）限制了其在大规模数据集上生成基聚类的应用。大多数现有算法使用 k-means 生成基聚类，但在非线性可分数据集上效果欠佳。大规模数据集上的运行时间过长：集成聚类需要生成多个基聚类，即使使用低复杂度算法，在大规模数据上运行多次也会导致时间过长。为此，作者提出了一种基于锚图的快速谱集成聚类算法（FSEC）。其核心策略包括：利用**锚图（Anchor Graph）**近似相似度矩阵，避免构建N × N N \times NN
IF-2025《Anchor-based fast spectral ensemble clustering》
2. 核心思想这篇论文的核心思想旨在解决集成聚类（Ensemble Clustering）领域面临的两个棘手问题：基聚类生成的效率与质量矛盾：传统的谱聚类虽然能识别任意形状的簇，但其高昂的时间和空间复杂度（主要是相似度矩阵构建和特征值分解）限制了其在大规模数据集上生成基聚类的应用。大多数现有算法使用 k-means 生成基聚类，但在非线性可分数据集上效果欠佳。大规模数据集上的运行时间过长：集成聚类需要生成多个基聚类，即使使用低复杂度算法，在大规模数据上运行多次也会导致时间过长。为此，作者提出了一种基于锚图的快速谱集成聚类算法（FSEC）。其核心策略包括：利用**锚图（Anchor Graph）**近似相似度矩阵，避免构建N × N N \times NN
