e-means: algoritmo k-means 10 veces más rápido y con menor pérdida

Fuentes: e-means: 10x faster k-means at equal loss

e-means es un algoritmo de clustering k-means desarrollado en Meta FAIR que ofrece una aceleración de aproximadamente 10 veces en la velocidad de reloj y una reducción del error de pérdida en comparación con el algoritmo de Lloyd. A diferencia de los métodos tradicionales, e-means utiliza actualizaciones por lotes mini-batch con medias móviles exponenciales, lo que permite alcanzar una pérdida de prueba inferior a la de Lloyd en 1,2 a 3 épocas, frente a las 25 épocas necesarias con el método clásico. Esta mejora se logra sin necesidad de ajuste manual de hiperparámetros, ya que el sistema aplica leyes de escala para determinar automáticamente el tamaño del lote y el tamaño del paso. El algoritmo es altamente paralelizable y cuenta con kernels especializados que optimizan el rendimiento en GPUs y CPUs. Además, e-means incorpora estrategias avanzadas para evitar la formación de 'clústeres muertos' y mejorar la inicialización, logrando una mejor exploración del paisaje de optimización para escapar de mínimos locales. La implementación incluye una fase de finalización que reduce la pérdida de entrenamiento con un coste computacional mínimo. Este enfoque representa una alternativa moderna y robusta para problemas de clustering estático, superando a las implementaciones de estado del arte como Flash-KMeans y Faiss en términos de eficiencia y calidad.