論文の概要: Clustering to the Fewest Clusters Under Intra-Cluster Dissimilarity Constraints

• arxiv url: http://arxiv.org/abs/2109.13644v1
• Date: Tue, 28 Sep 2021 12:02:18 GMT
• ステータス: 処理完了
• システム内更新日: 2021-09-29 14:42:11.518830
• Title: Clustering to the Fewest Clusters Under Intra-Cluster Dissimilarity Constraints
• Title（参考訳）: クラスタ内差分制約下におけるフェウェストクラスターのクラスタリング
• Authors: Jennie Andersen (LIRIS, INSA Lyon), Brice Chardin (LIAS, ISAE-ENSMA), Mohamed Tribak (LIAS)
• Abstract要約: 均等なクラスタリングは、密度も期待されるクラスの数にも依存せず、相似性の閾値にも依存します。 このクラスタリング問題に対する様々な実践的ソリューション間のトレードオフを特定するために,適切なクラスタリングアルゴリズムをレビューし,評価する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper introduces the equiwide clustering problem, where valid partitions must satisfy intra-cluster dissimilarity constraints. Unlike most existing clustering algorithms, equiwide clustering relies neither on density nor on a predefined number of expected classes, but on a dissimilarity threshold. Its main goal is to ensure an upper bound on the error induced by ultimately replacing any object with its cluster representative. Under this constraint, we then primarily focus on minimizing the number of clusters, along with potential sub-objectives. We argue that equiwide clustering is a sound clustering problem, and discuss its relationship with other optimization problems, existing and novel implementations as well as approximation strategies. We review and evaluate suitable clustering algorithms to identify trade-offs between the various practical solutions for this clustering problem.
• Abstract（参考訳）: 本稿では,有効な分割がクラスタ内異種性制約を満たさなければならない等価クラスタリング問題を提案する。 既存のクラスタリングアルゴリズムとは異なり、同種クラスタリングは密度や予め定義されたクラスの数に依存しないが、相似性しきい値に依存する。 その主な目標は、最終的に任意のオブジェクトをクラスタ代表に置き換えることによって引き起こされるエラーの上限を確保することである。 この制約の下では、クラスタの数と潜在的なサブ目的の最小化に重点を置いています。 等距離クラスタリングは健全なクラスタリング問題であり,既存の実装や新しい実装,近似戦略など,他の最適化問題との関係について論じる。 このクラスタリング問題に対する様々な実践的ソリューション間のトレードオフを識別するために、適切なクラスタリングアルゴリズムをレビューし、評価する。

関連論文リスト

• Self-Supervised Graph Embedding Clustering [70.36328717683297]
  K-means 1-step dimensionality reduction clustering method は,クラスタリングタスクにおける次元性の呪いに対処する上で,いくつかの進歩をもたらした。 本稿では,K-meansに多様体学習を統合する統一フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-09-24T08:59:51Z)
• Fair Minimum Representation Clustering via Integer Programming [0.6906005491572401]
  クラスタリングは、データをクラスタの集合に分割することを目的とした教師なしの学習タスクである。 本稿では,各群が最小表現レベルを持つ必要があるという制約を伴って,k平均とkメダニアンのクラスタリング問題を考察する。 フェアネス制約を直接組み込んだ,MiniReLと呼ばれる交代最小化アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-09-04T00:13:40Z)
• A3S: A General Active Clustering Method with Pairwise Constraints [66.74627463101837]
  A3Sは、適応クラスタリングアルゴリズムによって得られる初期クラスタ結果に対して、戦略的にアクティブクラスタリングを調整する。 さまざまな実世界のデータセットにわたる広範な実験において、A3Sは、人間のクエリを著しく少なくして、望ましい結果を達成する。
  論文  参考訳（メタデータ） (2024-07-14T13:37:03Z)
• Towards Explainable Clustering: A Constrained Declarative based Approach [0.294944680995069]
  古典的クラスタリング基準の観点から,高品質なクラスタリングを実現することを目指しており,その説明が可能である。 クラスタリングに関する優れたグローバルな説明は、各クラスタの特徴を、そのオブジェクトを記述する能力を考慮して与えるべきである。 そこで我々は,ECS と呼ばれる新しい解釈可能な制約付き手法を提案する。
  論文  参考訳（メタデータ） (2024-03-26T21:00:06Z)
• Robust and Automatic Data Clustering: Dirichlet Process meets Median-of-Means [18.3248037914529]
  本稿では,モデルに基づく手法とセントロイド方式の原理を統合することにより,効率的かつ自動的なクラスタリング手法を提案する。 クラスタリング誤差の上限に関する統計的保証は,既存のクラスタリングアルゴリズムよりも提案手法の利点を示唆している。
  論文  参考訳（メタデータ） (2023-11-26T19:01:15Z)
• Stable Cluster Discrimination for Deep Clustering [7.175082696240088]
  ディープクラスタリングは、インスタンスの表現(つまり、表現学習)を最適化し、固有のデータ分散を探索することができる。 結合された目的は、すべてのインスタンスが一様機能に崩壊する、自明な解決策を意味する。 本研究では,1段階クラスタリングにおいて,教師あり学習における一般的な識別タスクが不安定であることを示す。 新規な安定クラスタ識別(SeCu)タスクを提案し、それに応じて新しいハードネス対応クラスタリング基準を得ることができる。
  論文  参考訳（メタデータ） (2023-11-24T06:43:26Z)
• Instance-Optimal Cluster Recovery in the Labeled Stochastic Block Model [79.46465138631592]
  観測されたラベルを用いてクラスタを復元する効率的なアルゴリズムを考案する。 本稿では,期待値と高い確率でこれらの下位境界との性能を一致させる最初のアルゴリズムであるIACを提案する。
  論文  参考訳（メタデータ） (2023-06-18T08:46:06Z)
• DivClust: Controlling Diversity in Deep Clustering [47.85350249697335]
  DivClustはコンセンサスクラスタリングソリューションを生成し、単一クラスタリングベースラインを一貫して上回る。 提案手法は, フレームワークやデータセット間の多様性を, 計算コストを極めて小さく効果的に制御する。
  論文  参考訳（メタデータ） (2023-04-03T14:45:43Z)
• Cluster-level Group Representativity Fairness in $k$-means Clustering [3.420467786581458]
  クラスタリングアルゴリズムは、異なるグループが異なるクラスタ内で不利になるようにクラスタを生成することができる。 我々は,古典的アルゴリズムに先駆けて,セントロイドクラスタリングパラダイムに基づくクラスタリングアルゴリズムを開発した。 本手法はクラスタレベルの表現性フェアネスを,クラスタのコヒーレンスに低い影響で向上させるのに有効であることを示す。
  論文  参考訳（メタデータ） (2022-12-29T22:02:28Z)
• Graph Contrastive Clustering [131.67881457114316]
  本稿では,クラスタリングタスクに適用可能な新しいグラフコントラスト学習フレームワークを提案し,gcc(graph constrastive clustering)法を考案した。 特に、グラフラプラシアンに基づくコントラスト損失は、より識別的かつクラスタリングフレンドリーな特徴を学ぶために提案されている。 一方で、よりコンパクトなクラスタリング割り当てを学ぶために、グラフベースのコントラスト学習戦略が提案されている。
  論文  参考訳（メタデータ） (2021-04-03T15:32:49Z)
• Scalable Hierarchical Agglomerative Clustering [65.66407726145619]
  既存のスケーラブルな階層的クラスタリング手法は、スピードの質を犠牲にする。 我々は、品質を犠牲にせず、数十億のデータポイントまでスケールする、スケーラブルで集約的な階層的クラスタリング法を提案する。
  論文  参考訳（メタデータ） (2020-10-22T15:58:35Z)

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。