論文の概要: Clustering of Big Data with Mixed Features
- arxiv url: http://arxiv.org/abs/2011.06043v1
- Date: Wed, 11 Nov 2020 19:54:38 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-26 23:23:03.039237
- Title: Clustering of Big Data with Mixed Features
- Title（参考訳）: 混合特徴によるビッグデータのクラスタリング
- Authors: Joshua Tobin, Mimi Zhang
- Abstract要約: 我々は混合型の大規模データのための新しいクラスタリングアルゴリズムを開発した。
このアルゴリズムは、比較的低い密度値の外れ値とクラスターを検出することができる。
本研究では,本アルゴリズムが実際に有効であることを示す実験結果を示す。
- 参考スコア（独自算出の注目度）: 3.3504365823045044
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Clustering large, mixed data is a central problem in data mining. Many
approaches adopt the idea of k-means, and hence are sensitive to
initialisation, detect only spherical clusters, and require a priori the
unknown number of clusters. We here develop a new clustering algorithm for
large data of mixed type, aiming at improving the applicability and efficiency
of the peak-finding technique. The improvements are threefold: (1) the new
algorithm is applicable to mixed data; (2) the algorithm is capable of
detecting outliers and clusters of relatively lower density values; (3) the
algorithm is competent at deciding the correct number of clusters. The
computational complexity of the algorithm is greatly reduced by applying a fast
k-nearest neighbors method and by scaling down to component sets. We present
experimental results to verify that our algorithm works well in practice.
Keywords: Clustering; Big Data; Mixed Attribute; Density Peaks;
Nearest-Neighbor Graph; Conductance.
- Abstract（参考訳）: 大規模な混合データをクラスタリングすることは、データマイニングにおける中心的な問題である。
多くのアプローチではk-meansの概念を採用しており、したがって初期化に敏感であり、球状クラスタのみを検出し、未知数のクラスタを必要とする。
本稿では,本手法の適用性と効率を向上させることを目的とした,混合型大規模データのためのクラスタリングアルゴリズムを開発した。
改良点は3つある:(1)新しいアルゴリズムは混合データに適用可能; (2) アルゴリズムは比較的低い密度値の外れ値とクラスターを検出することができる;(3) アルゴリズムは正しいクラスタ数を決定する能力を持つ。
アルゴリズムの計算複雑性は、高速k-nearest neighbors法を適用し、コンポーネントセットにスケールダウンすることで大幅に低減される。
本研究では,本アルゴリズムが実際に有効であることを示す実験結果を示す。
キーワード:クラスタリング、ビッグデータ、ミックス属性、密度ピーク、Nearest-Neighborグラフ、コンダクタンス。
関連論文リスト
- From Large to Small Datasets: Size Generalization for Clustering
Algorithm Selection [12.993073967843292]
我々は,未知の地下構造クラスタリングを用いて,半教師付き環境で問題を研究する。
本稿では,クラスタリングアルゴリズムの精度向上のためのサイズ一般化の概念を提案する。
データセット全体においてどのアルゴリズムが最適かを特定するために、データの5%をサブサンプルとして使用しています。
論文 参考訳（メタデータ） (2024-02-22T06:53:35Z) - Linear time Evidence Accumulation Clustering with KMeans [0.0]
この研究は、平均的なリンククラスタリングの振る舞いを模倣するトリックを記述する。
分割の密度を効率よく計算する方法を見つけ、二次的な複雑さから線形的な複雑さへのコストを削減した。
k平均結果は、計算コストを低く保ちながら、NMIの観点からは、最先端の技術に匹敵する。
論文 参考訳（メタデータ） (2023-11-15T14:12:59Z) - Rethinking k-means from manifold learning perspective [122.38667613245151]
平均推定なしで直接データのクラスタを検出する新しいクラスタリングアルゴリズムを提案する。
具体的には,バタワースフィルタを用いてデータ点間の距離行列を構成する。
異なる視点に埋め込まれた相補的な情報をうまく活用するために、テンソルのSchatten p-norm正規化を利用する。
論文 参考訳（メタデータ） (2023-05-12T03:01:41Z) - GBMST: An Efficient Minimum Spanning Tree Clustering Based on
Granular-Ball Computing [78.92205914422925]
多粒度グラニュラバルと最小スパンニングツリー(MST)を組み合わせたクラスタリングアルゴリズムを提案する。
粒度が粗い粒状ボールを構築し,さらに粒状ボールとMSTを用いて「大規模優先度」に基づくクラスタリング手法を実装した。
いくつかのデータセットの実験結果は、アルゴリズムの威力を示している。
論文 参考訳（メタデータ） (2023-03-02T09:04:35Z) - Scalable Clustering: Large Scale Unsupervised Learning of Gaussian
Mixture Models with Outliers [5.478764356647437]
本稿では,損失最小化に基づくロバストなクラスタリングアルゴリズムを提案する。
これはアルゴリズムが高い確率で高い精度を得るという理論的保証を提供する。
実世界の大規模データセットの実験では、アルゴリズムの有効性が示されている。
論文 参考訳（メタデータ） (2023-02-28T14:39:18Z) - An enhanced method of initial cluster center selection for K-means
algorithm [0.0]
K-meansアルゴリズムの初期クラスタ選択を改善するための新しい手法を提案する。
Convex Hullアルゴリズムは、最初の2つのセントロイドの計算を容易にし、残りの2つは、以前選択された中心からの距離に応じて選択される。
We obtained only 7.33%, 7.90%, and 0% clustering error in Iris, Letter, and Ruspini data。
論文 参考訳（メタデータ） (2022-10-18T00:58:50Z) - A density peaks clustering algorithm with sparse search and K-d tree [16.141611031128427]
この問題を解決するために,スパース探索とK-d木を用いた密度ピーククラスタリングアルゴリズムを開発した。
分散特性が異なるデータセット上で、他の5つの典型的なクラスタリングアルゴリズムと比較して実験を行う。
論文 参考訳（メタデータ） (2022-03-02T09:29:40Z) - Differentially-Private Clustering of Easy Instances [67.04951703461657]
異なるプライベートクラスタリングでは、個々のデータポイントに関する情報を公開せずに、$k$のクラスタセンターを特定することが目標だ。
我々は、データが"簡単"である場合にユーティリティを提供する実装可能な差分プライベートクラスタリングアルゴリズムを提供する。
我々は、非プライベートクラスタリングアルゴリズムを簡単なインスタンスに適用し、結果をプライベートに組み合わせることのできるフレームワークを提案する。
論文 参考訳（メタデータ） (2021-12-29T08:13:56Z) - Exact and Approximate Hierarchical Clustering Using A* [51.187990314731344]
クラスタリングのA*探索に基づく新しいアプローチを紹介します。
A*と新しいエンフォレリスデータ構造を組み合わせることで、禁止的に大きな検索空間を克服します。
実験により,本手法は粒子物理利用事例や他のクラスタリングベンチマークにおいて,ベースラインよりもかなり高品質な結果が得られることを示した。
論文 参考訳（メタデータ） (2021-04-14T18:15:27Z) - Determinantal consensus clustering [77.34726150561087]
本稿では,クラスタリングアルゴリズムのランダム再起動における決定点プロセス (DPP) の利用を提案する。
DPPは部分集合内の中心点の多様性を好んでいる。
DPPとは対照的に、この手法は多様性の確保と、すべてのデータフェースについて良好なカバレッジを得るために失敗することを示す。
論文 参考訳（メタデータ） (2021-02-07T23:48:24Z) - Differentially Private Clustering: Tight Approximation Ratios [57.89473217052714]
基本的なクラスタリング問題に対して,効率的な微分プライベートアルゴリズムを提案する。
この結果から,SampleとAggregateのプライバシーフレームワークのアルゴリズムの改善が示唆された。
1-Clusterアルゴリズムで使用されるツールの1つは、ClosestPairのより高速な量子アルゴリズムを適度な次元で得るために利用できる。
論文 参考訳（メタデータ） (2020-08-18T16:22:06Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。