論文の概要: GFDC: A Granule Fusion Density-Based Clustering with Evidential
Reasoning
- arxiv url: http://arxiv.org/abs/2305.12114v1
- Date: Sat, 20 May 2023 06:27:31 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-24 00:37:25.177001
- Title: GFDC: A Granule Fusion Density-Based Clustering with Evidential
Reasoning
- Title(参考訳): GFDC: 証拠推論を用いた顆粒核融合密度クラスタリング
- Authors: Mingjie Cai, Zhishan Wu, Qingguo Li, Feng Xu, Jie Zhou
- Abstract要約: 密度に基づくクラスタリングアルゴリズムは任意の形状のクラスタを検出できるため、広く適用されている。
本稿では,GFDCを用いた粒界融合密度クラスタリングを提案する。
サンプルの局所密度と大域密度は、まずスパース度測定によって測定される。
次に、情報グラニュラーを高密度および低密度領域に生成し、大きな密度差を持つクラスタの処理を支援する。
- 参考スコア(独自算出の注目度): 22.526274021556755
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Currently, density-based clustering algorithms are widely applied because
they can detect clusters with arbitrary shapes. However, they perform poorly in
measuring global density, determining reasonable cluster centers or structures,
assigning samples accurately and handling data with large density differences
among clusters. To overcome their drawbacks, this paper proposes a granule
fusion density-based clustering with evidential reasoning (GFDC). Both local
and global densities of samples are measured by a sparse degree metric first.
Then information granules are generated in high-density and low-density
regions, assisting in processing clusters with significant density differences.
Further, three novel granule fusion strategies are utilized to combine granules
into stable cluster structures, helping to detect clusters with arbitrary
shapes. Finally, by an assignment method developed from Dempster-Shafer theory,
unstable samples are assigned. After using GFDC, a reasonable clustering result
and some identified outliers can be obtained. The experimental results on
extensive datasets demonstrate the effectiveness of GFDC.
- Abstract(参考訳): 現在、任意の形状のクラスタを検出できるため、密度ベースのクラスタリングアルゴリズムが広く適用されている。
しかし、グローバル密度の測定や、合理的なクラスタ中心や構造の決定、サンプルの正確な割り当て、クラスタ間の密度差が大きいデータの処理において、パフォーマンスが劣る。
本稿では,その欠点を克服するために,証拠推論(gfdc)を用いた粒状核融合密度に基づくクラスタリングを提案する。
サンプルの局所密度と大域密度は、まずスパース度測定によって測定される。
次に、情報グラニュラーを高密度および低密度領域に生成し、大きな密度差を持つクラスタの処理を支援する。
さらに、3つの新しい顆粒融合戦略を用いて、顆粒を安定したクラスター構造に結合し、任意の形状のクラスターを検出する。
最後に、デンプスター・シェーファー理論から開発された割当法により、不安定なサンプルを割り当てる。
gfdcを使用すると、合理的なクラスタリング結果と特定された外れ値が得られる。
広範なデータセットを用いた実験の結果,gfdcの有効性が示された。
関連論文リスト
- DECWA : Density-Based Clustering using Wasserstein Distance [1.4132765964347058]
空間密度と確率的アプローチに基づく新しいクラスタリングアルゴリズムを提案する。
提案手法は, 様々なデータセットにおいて, 最先端の密度に基づくクラスタリング手法よりも優れていることを示す。
論文 参考訳(メタデータ) (2023-10-25T11:10:08Z) - 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) - 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) - 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) - Implicit Sample Extension for Unsupervised Person Re-Identification [97.46045935897608]
クラスタリングは、時に異なる真のアイデンティティを混ぜ合わせたり、同じアイデンティティを2つ以上のサブクラスタに分割する。
本稿では,クラスタ境界周辺のサポートサンプルを生成するために,Implicit Sample Extension (OurWholeMethod)法を提案する。
提案手法の有効性を実証し,教師なしのRe-IDに対して最先端の性能を実現する。
論文 参考訳(メタデータ) (2022-04-14T11:41:48Z) - VDPC: Variational Density Peak Clustering Algorithm [16.20037014662979]
本稿では,変分密度のクラスタを識別するための変分密度ピーククラスタリング(VDPC)アルゴリズムを提案する。
VDPCは2つの古典的アルゴリズム(DPCとDBSCAN)と4つの最先端拡張DPCアルゴリズムより優れている。
論文 参考訳(メタデータ) (2021-12-29T12:50:09Z) - Anomaly Clustering: Grouping Images into Coherent Clusters of Anomaly
Types [60.45942774425782]
我々は異常クラスタリングを導入し、その目標はデータを異常型の一貫性のあるクラスタにまとめることである。
これは異常検出とは違い、その目標は異常を通常のデータから分割することである。
パッチベースの事前訓練されたディープ埋め込みとオフザシェルフクラスタリング手法を用いた,単純で効果的なクラスタリングフレームワークを提案する。
論文 参考訳(メタデータ) (2021-12-21T23:11:33Z) - Density-Based Clustering with Kernel Diffusion [59.4179549482505]
単位$d$次元ユークリッド球のインジケータ関数に対応するナイーブ密度は、密度に基づくクラスタリングアルゴリズムで一般的に使用される。
局所分布特性と滑らかさの異なるデータに適応する新しいカーネル拡散密度関数を提案する。
論文 参考訳(メタデータ) (2021-10-11T09:00:33Z) - Very Compact Clusters with Structural Regularization via Similarity and
Connectivity [3.779514860341336]
本稿では,汎用データセットのためのエンドツーエンドのディープクラスタリングアルゴリズムであるVery Compact Clusters (VCC)を提案する。
提案手法は,最先端のクラスタリング手法よりも優れたクラスタリング性能を実現する。
論文 参考訳(メタデータ) (2021-06-09T23:22:03Z) - Skeleton Clustering: Dimension-Free Density-based Clustering [0.2538209532048866]
本稿では,スケルトンクラスタリングという密度に基づくクラスタリング手法を提案する。
次元の呪いを回避すべく,次元に依存しないが直感的な幾何学的解釈を持つ代理密度測度を提案する。
論文 参考訳(メタデータ) (2021-04-21T21:25:02Z) - 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。