Cet article souligne que les algorithmes de clustering multi-noyaux existants (par exemple, les K-means multi-noyaux) souffrent de problèmes d'efficacité et de robustesse de calcul dans les distributions de données complexes. En effet, les méthodes d'optimisation reposent sur des relations inter-points, ce qui complique la capture précise de la structure et de la diversité inhérentes à l'ensemble de données. De plus, les interactions complexes entre plusieurs noyaux aggravent ces problèmes, impactant la capacité à regrouper des points de données dans un espace de grande dimension. Dans cet article, nous améliorons le cadre de clustering multi-noyaux en exploitant le calcul granulaire à boules. Le cœur du calcul granulaire à boules est l'ajustement adaptatif de la distribution des données à l'aide de boules, allant de grossières à tolérantes, pour s'adapter à la distribution des données. Chaque boule peut contenir des points de données selon une mesure de cohérence de densité. Cette description des données basée sur les boules améliore l'efficacité de calcul et la robustesse face au bruit inconnu. Plus précisément, sur la base de la représentation granulaire, nous proposons le noyau granulaire (GBK) et son cadre K-means multi-noyaux granulaires (GB-MKKM) pour un clustering efficace. Le cadre GB-MKKM proposé, utilisant des relations granulaires dans un espace multi-noyaux, démontre son efficacité et ses performances de clustering supérieures lors d'évaluations empiriques sur diverses tâches de clustering.
