論文の概要: Expanding the class of global objective functions for
dissimilarity-based hierarchical clustering
- arxiv url: http://arxiv.org/abs/2207.14375v1
- Date: Thu, 28 Jul 2022 20:50:43 GMT
- ステータス: 処理完了
- システム内更新日: 2022-08-01 13:32:51.549736
- Title: Expanding the class of global objective functions for
dissimilarity-based hierarchical clustering
- Title（参考訳）: 異種性に基づく階層クラスタリングのための大域的目的関数のクラスの拡張
- Authors: Sebastien Roch
- Abstract要約: 先行研究で研究された望ましい特性を満足する目的関数の幅広いクラスを導入する。
多くの一般的な集合的および分割的クラスタリング法は、これらの目的に対して欲求的なアルゴリズムであることが示されている。
- 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: Recent work on dissimilarity-based hierarchical clustering has led to the
introduction of global objective functions for this classical problem. Several
standard approaches, such as average linkage, as well as some new heuristics
have been shown to provide approximation guarantees. Here we introduce a broad
new class of objective functions which satisfy desirable properties studied in
prior work. Many common agglomerative and divisive clustering methods are shown
to be greedy algorithms for these objectives, which are inspired by related
concepts in phylogenetics.
- Abstract（参考訳）: 異種性に基づく階層的クラスタリングに関する最近の研究は、この古典的問題に対するグローバル客観的関数の導入につながった。
平均リンケージのようないくつかの標準的アプローチといくつかの新しいヒューリスティックは近似の保証をもたらすことが示されている。
本稿では,先行研究における望ましい性質を満足する目的関数の広範な新しいクラスを提案する。
多くの一般的な凝集的および分割的クラスタリング手法は、系統学の関連する概念に触発された、これらの目的のための欲深いアルゴリズムであることが示されている。
関連論文リスト
- Interpetable Target-Feature Aggregation for Multi-Task Learning based on Bias-Variance Analysis [53.38518232934096]
マルチタスク学習(MTL)は、タスク間の共有知識を活用し、一般化とパフォーマンスを改善するために設計された強力な機械学習パラダイムである。
本稿では,タスククラスタリングと特徴変換の交点におけるMTL手法を提案する。
両段階において、鍵となる側面は減った目標と特徴の解釈可能性を維持することである。
論文 参考訳（メタデータ） (2024-06-12T08:30:16Z) - GCC: Generative Calibration Clustering [55.44944397168619]
本稿では,特徴学習と拡張をクラスタリングに組み込む新しいGCC法を提案する。
まず,実検体と実検体間の固有関係を識別する識別的特徴アライメント機構を開発する。
第二に、より信頼性の高いクラスタ割り当てを生成するための自己教師付きメトリック学習を設計する。
論文 参考訳（メタデータ） (2024-04-14T01:51:11Z) - Fair Clustering via Hierarchical Fair-Dirichlet Process [8.85031165304586]
クラスタリングにおける公正性の一般的な概念は、クラスタを均衡させ、すなわち、保護された属性の各レベルは、各クラスタにほぼ等しく表現されなければならない。
本稿では,適切な目的関数の最適化にほぼ専念した既存の文献を補完する,公正クラスタリングのモデルに基づく新しい定式化を提案する。
論文 参考訳（メタデータ） (2023-05-27T19:16:55Z) - Gradient Based Clustering [72.15857783681658]
本稿では,クラスタリングの品質を計測するコスト関数の勾配を用いて,距離に基づくクラスタリングの一般的な手法を提案する。
アプローチは反復的な2段階の手順(クラスタ割り当てとクラスタセンターのアップデートの代替)であり、幅広い機能に適用できる。
論文 参考訳（メタデータ） (2022-02-01T19:31:15Z) - A Survey of Evolutionary Multi-Objective Clustering Approaches [0.0]
進化的多目的クラスタリングの一般的なアーキテクチャで提案される特徴と構成要素に基づいてアルゴリズムを解析する。
新しいアプローチを設計したり、既存のものを選択したり使用する際には、特定のクラスタリングプロパティ以外にこれらの側面を観察することが不可欠です。
論文 参考訳（メタデータ） (2021-10-15T13:53:12Z) - Learning the Precise Feature for Cluster Assignment [39.320210567860485]
表現学習とクラスタリングを1つのパイプラインに初めて統合するフレームワークを提案する。
提案フレームワークは,近年開発された生成モデルを用いて,本質的な特徴を学習する能力を活用している。
実験の結果,提案手法の性能は,最先端の手法よりも優れているか,少なくとも同等であることがわかった。
論文 参考訳（メタデータ） (2021-06-11T04:08:54Z) - 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) - Fair Hierarchical Clustering [92.03780518164108]
従来のクラスタリングにおける過剰表現を緩和する公平性の概念を定義する。
我々のアルゴリズムは、目的に対して無視できない損失しか持たない、公平な階層的なクラスタリングを見つけることができることを示す。
論文 参考訳（メタデータ） (2020-06-18T01:05:11Z)
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。