論文の概要: Review of Clustering Methods for Functional Data

• arxiv url: http://arxiv.org/abs/2210.00847v1
• Date: Mon, 3 Oct 2022 12:15:23 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-04 16:44:14.931173
• Title: Review of Clustering Methods for Functional Data
• Title（参考訳）: 機能データのためのクラスタリング手法のレビュー
• Authors: Mimi Zhang and Andrew Parnell
• Abstract要約: このレビューは、機能データ分析コミュニティとクラスタリングコミュニティのギャップを埋めることを目的としている。 本稿では,既存の機能的データクラスタリング手法の相互関係と差異を探索する系統分類法を提案する。
• 参考スコア（独自算出の注目度）: 1.827510863075184
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Functional data clustering is to identify heterogeneous morphological patterns in the continuous functions underlying the discrete measurements/observations. Application of functional data clustering has appeared in many publications across various fields of sciences, including but not limited to biology, (bio)chemistry, engineering, environmental science, medical science, psychology, social science, etc. The phenomenal growth of the application of functional data clustering indicates the urgent need for a systematic approach to develop efficient clustering methods and scalable algorithmic implementations. On the other hand, there is abundant literature on the cluster analysis of time series, trajectory data, spatio-temporal data, etc., which are all related to functional data. Therefore, an overarching structure of existing functional data clustering methods will enable the cross-pollination of ideas across various research fields. We here conduct a comprehensive review of original clustering methods for functional data. We propose a systematic taxonomy that explores the connections and differences among the existing functional data clustering methods and relates them to the conventional multivariate clustering methods. The structure of the taxonomy is built on three main attributes of a functional data clustering method and therefore is more reliable than existing categorizations. The review aims to bridge the gap between the functional data analysis community and the clustering community and to generate new principles for functional data clustering.
• Abstract（参考訳）: 関数型データクラスタリングは、離散的測定/観測の基礎となる連続関数の異種形態的パターンを識別する。 機能的データクラスタリングの応用は、生物学、(生物)化学、工学、環境科学、医学、心理学、社会科学など、様々な分野の科学分野にまたがって様々な出版物に現れてきた。 関数型データクラスタリングの適用の驚異的な成長は、効率的なクラスタリング手法とスケーラブルなアルゴリズムの実装を開発するための体系的アプローチが緊急に必要であることを示している。 一方,時系列,軌道データ,時空間データなどのクラスター分析に関する文献は豊富であり,これらは全て機能データに関係している。 したがって、既存の機能的データクラスタリング手法の包括的な構造は、様々な研究分野におけるアイデアの相互補完を可能にする。 本稿では,関数データに対するオリジナルクラスタリング手法の包括的レビューを行う。 本稿では,既存の機能的データクラスタリング手法の接続と差異を探索し,従来の多変量クラスタリング手法と関連づける系統分類法を提案する。 分類の構造は関数型データクラスタリング法の主要な3つの属性に基づいて構築されており、既存の分類法よりも信頼性が高い。 このレビューは、機能データ分析コミュニティとクラスタリングコミュニティのギャップを埋めることと、機能データクラスタリングの新しい原則を作成することを目的としている。

関連論文リスト

• UniCell: Universal Cell Nucleus Classification via Prompt Learning [76.11864242047074]
  ユニバーサル細胞核分類フレームワーク(UniCell)を提案する。 異なるデータセットドメインから対応する病理画像のカテゴリを均一に予測するために、新しいプロンプト学習機構を採用している。 特に,本フレームワークでは,原子核検出と分類のためのエンドツーエンドアーキテクチャを採用し,フレキシブルな予測ヘッドを用いて様々なデータセットを適応する。
  論文  参考訳（メタデータ） (2024-02-20T11:50:27Z)
• Generating Hierarchical Structures for Improved Time Series Classification Using Stochastic Splitting Functions [0.0]
  本研究では,階層分類(HC)による多クラスデータセットの分類性能を高めるために,分割関数(SSF)を用いた新しい階層分割クラスタリング手法を提案する。 この方法は、明示的な情報を必要とせずに階層を生成するユニークな能力を持ち、階層の事前の知識を欠いたデータセットに適している。
  論文  参考訳（メタデータ） (2023-09-21T10:34:50Z)
• funLOCI: a local clustering algorithm for functional data [0.0]
  funLOCIは、分割階層クラスタリングに基づく3段階のアルゴリズムである。 大量のローカルクラスタを扱うために、結果の最小化のために余分なステップが実装されている。
  論文  参考訳（メタデータ） (2023-05-22T12:51:58Z)
• Unified Multi-View Orthonormal Non-Negative Graph Based Clustering Framework [74.25493157757943]
  我々は,非負の特徴特性を活用し,多視点情報を統合された共同学習フレームワークに組み込む,新しいクラスタリングモデルを定式化する。 また、深層機能に基づいたクラスタリングデータに対するマルチモデル非負グラフベースのアプローチを初めて検討する。
  論文  参考訳（メタデータ） (2022-11-03T08:18:27Z)
• Deep Clustering: A Comprehensive Survey [53.387957674512585]
  クラスタリング分析は、機械学習とデータマイニングにおいて必須の役割を果たす。 ディープ・クラスタリングは、ディープ・ニューラルネットワークを使ってクラスタリングフレンドリーな表現を学習することができるが、幅広いクラスタリングタスクに広く適用されている。 ディープクラスタリングに関する既存の調査は、主にシングルビューフィールドとネットワークアーキテクチャに焦点を当てており、クラスタリングの複雑なアプリケーションシナリオを無視している。
  論文  参考訳（メタデータ） (2022-10-09T02:31:32Z)
• Detection and Evaluation of Clusters within Sequential Data [58.720142291102135]
  Block Markov Chainsのクラスタリングアルゴリズムは理論的最適性を保証する。 特に、私たちのシーケンシャルデータは、ヒトのDNA、テキスト、動物運動データ、金融市場から派生しています。 ブロックマルコフ連鎖モデルの仮定は、実際に探索データ解析において有意義な洞察を得られることが判明した。
  論文  参考訳（メタデータ） (2022-10-04T15:22:39Z)
• Clustering Optimisation Method for Highly Connected Biological Data [0.0]
  接続クラスタリング評価のための単純な指標が,生物データの最適セグメンテーションにつながることを示す。 この作業の斬新さは、混雑したデータをクラスタリングするための単純な最適化方法の作成にある。
  論文  参考訳（メタデータ） (2022-08-08T17:33:32Z)
• Enhancing cluster analysis via topological manifold learning [0.3823356975862006]
  クラスタ化前にデータセットのトポロジ構造を推定することで,クラスタ検出を大幅に向上させることができることを示す。 位相構造を推定するための多様体学習法UMAPと密度に基づくクラスタリング法DBSCANを組み合わせた。
  論文  参考訳（メタデータ） (2022-07-01T15:53:39Z)
• 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)
• Structured Graph Learning for Clustering and Semi-supervised Classification [74.35376212789132]
  データの局所構造とグローバル構造の両方を保存するためのグラフ学習フレームワークを提案する。 本手法は, サンプルの自己表現性を利用して, 局所構造を尊重するために, 大域的構造と適応的隣接アプローチを捉える。 我々のモデルは、ある条件下でのカーネルk平均法とk平均法の組合せと等価である。
  論文  参考訳（メタデータ） (2020-08-31T08:41:20Z)
• Heterogeneous Transfer Learning in Ensemble Clustering [0.0]
  類似したラベル付きデータが利用できるクラスタリング問題を考える。 本手法は,データの構造的特徴を記述したメタ機能の構築に基づく。 モンテカルロモデルを用いた実験により,その効率性が確認された。
  論文  参考訳（メタデータ） (2020-01-20T16:03:38Z)

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。