論文の概要: GBMST: An Efficient Minimum Spanning Tree Clustering Based on Granular-Ball Computing

• arxiv url: http://arxiv.org/abs/2303.01082v2
• Date: Wed, 29 Mar 2023 05:25:48 GMT
• ステータス: 処理完了
• システム内更新日: 2023-03-30 17:49:17.667227
• Title: GBMST: An Efficient Minimum Spanning Tree Clustering Based on Granular-Ball Computing
• Title（参考訳）: gbmst:粒状球計算に基づく効率的な最小スパンディングツリークラスタリング
• Authors: Jiang Xie, Shuyin Xia, Guoyin Wang and Xinbo Gao
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 78.92205914422925
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Most of the existing clustering methods are based on a single granularity of information, such as the distance and density of each data. This most fine-grained based approach is usually inefficient and susceptible to noise. Therefore, we propose a clustering algorithm that combines multi-granularity Granular-Ball and minimum spanning tree (MST). We construct coarsegrained granular-balls, and then use granular-balls and MST to implement the clustering method based on "large-scale priority", which can greatly avoid the influence of outliers and accelerate the construction process of MST. Experimental results on several data sets demonstrate the power of the algorithm. All codes have been released at https://github.com/xjnine/GBMST.
• Abstract（参考訳）: 既存のクラスタリング手法のほとんどは、各データの距離や密度などの情報の単一の粒度に基づいている。 この最もきめ細かいアプローチは、通常非効率でノイズの影響を受けやすい。 そこで本研究では,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。 粗粒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,アウトレーラの影響を大幅に回避し,MSTの構築プロセスの高速化を図る。 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。 すべてのコードはhttps://github.com/xjnine/GBMSTでリリースされた。

関連論文リスト

• GBCT: An Efficient and Adaptive Granular-Ball Clustering Algorithm for Complex Data [49.56145012222276]
  粒状球クラスタリング(GBCT)と呼ばれる新しいクラスタリングアルゴリズムを提案する。 GBCTは、従来の点関係ではなく、グラニュラーボールの関係に従ってクラスタを形成する。 グラニュラーボールは様々な複雑なデータに適合するので、GBCTは従来のクラスタリング法よりも非球面データセットにおいてはるかに優れている。
  論文  参考訳（メタデータ） (2024-10-17T07:32:05Z)
• PaVa: a novel Path-based Valley-seeking clustering algorithm [13.264374632165776]
  本稿では,任意の形状のクラスタのための新しいパスベースのバレー探索クラスタリングアルゴリズムを提案する。 このアルゴリズムには3つの重要なテクニックが使われている。 その結果,パスに基づくバレー探索アルゴリズムは正確かつ効率的であることが示唆された。
  論文  参考訳（メタデータ） (2023-06-13T02:29:34Z)
• Research on Efficient Fuzzy Clustering Method Based on Local Fuzzy Granular balls [67.33923111887933]
  本稿では,データをグラニュラーボールを用いてファジィにイテレーションし,その位置にある2つのグラニュラーボールのみをデータのメンバーシップ度として検討する。 ファジィグラニュラーボールセットは、異なるデータシナリオに直面して、より多くの処理方法を使用することができる。
  論文  参考訳（メタデータ） (2023-03-07T01:52:55Z)
• Divide-and-conquer based Large-Scale Spectral Clustering [8.545202841051582]
  そこで本研究では,分散・分散型大規模スペクトルクラスタリング手法を提案し,効率と効率のバランスを良くする。 提案手法は,既存の大規模スペクトルクラスタリングよりも計算量が少ない。
  論文  参考訳（メタデータ） (2021-04-30T15:09:45Z)
• 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)
• Clustering of Big Data with Mixed Features [3.3504365823045044]
  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。
  論文  参考訳（メタデータ） (2020-11-11T19:54:38Z)
• Spectral Clustering with Smooth Tiny Clusters [14.483043753721256]
  本稿では,データのスムーズさを初めて考慮した新しいクラスタリングアルゴリズムを提案する。 私たちのキーとなるアイデアは、スムーズなグラフを構成する小さなクラスタをクラスタ化することです。 本稿では,マルチスケールな状況に着目するが,データのスムーズさの考え方はどのクラスタリングアルゴリズムにも確実に拡張できる。
  論文  参考訳（メタデータ） (2020-09-10T05:21:20Z)
• Computationally efficient sparse clustering [67.95910835079825]
  我々はPCAに基づく新しいクラスタリングアルゴリズムの有限サンプル解析を行う。 ここでは,ミニマックス最適誤クラスタ化率を,体制$|theta infty$で達成することを示す。
  論文  参考訳（メタデータ） (2020-05-21T17:51:30Z)
• Learnable Subspace Clustering [76.2352740039615]
  本研究では,大規模サブスペースクラスタリング問題を効率的に解くために,学習可能なサブスペースクラスタリングパラダイムを開発する。 鍵となる考え方は、高次元部分空間を下層の低次元部分空間に分割するパラメトリック関数を学ぶことである。 我々の知る限り、本論文は、サブスペースクラスタリング手法の中で、数百万のデータポイントを効率的にクラスタ化する最初の試みである。
  論文  参考訳（メタデータ） (2020-04-09T12:53:28Z)

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。