論文の概要: funLOCI: a local clustering algorithm for functional data
- arxiv url: http://arxiv.org/abs/2305.12991v1
- Date: Mon, 22 May 2023 12:51:58 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-23 16:02:06.887656
- Title: funLOCI: a local clustering algorithm for functional data
- Title(参考訳): funLOCI:関数データのための局所クラスタリングアルゴリズム
- Authors: Jacopo Di Iorio and Simone Vantini
- Abstract要約: 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。
- 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: Nowadays, more and more problems are dealing with data with one infinite
continuous dimension: functional data. In this paper, we introduce the funLOCI
algorithm which allows to identify functional local clusters or functional
loci, i.e., subsets/groups of functions exhibiting similar behaviour across the
same continuous subset of the domain. The definition of functional local
clusters leverages ideas from multivariate and functional clustering and
biclustering and it is based on an additive model which takes into account the
shape of the curves. funLOCI is a three-step algorithm based on divisive
hierarchical clustering. The use of dendrograms allows to visualize and to
guide the searching procedure and the cutting thresholds selection. To deal
with the large quantity of local clusters, an extra step is implemented to
reduce the number of results to the minimum.
- Abstract(参考訳): 今日では、1つの無限連続次元を持つデータを扱う問題が増えてきている。
本稿では,機能的局所クラスタや機能的ロシ,すなわち,ドメインの同じ連続部分集合全体にわたって同様の振る舞いを示す関数のサブセット/グループを識別できる funLOCI アルゴリズムを提案する。
関数型ローカルクラスタの定義は、多変量および関数型クラスタリングとバイクラスタ化のアイデアを活用しており、曲線の形状を考慮した付加モデルに基づいている。
funlociは分割的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。
デンドログラムを使うことで、探索手順と切断しきい値の選択を視覚化し、ガイドすることができる。
大量のローカルクラスタに対処するために、結果数を最小にするために追加のステップが実行される。
関連論文リスト
- Reinforcement Graph Clustering with Unknown Cluster Number [91.4861135742095]
本稿では,Reinforcement Graph Clusteringと呼ばれる新しいディープグラフクラスタリング手法を提案する。
提案手法では,クラスタ数決定と教師なし表現学習を統一的なフレームワークに統合する。
フィードバック動作を行うために、クラスタリング指向の報酬関数を提案し、同一クラスタの凝集を高め、異なるクラスタを分離する。
論文 参考訳(メタデータ) (2023-08-13T18:12:28Z) - Visualizing Overlapping Biclusterings and Boolean Matrix Factorizations [7.509129971169722]
重なり合うクラスタのクラスタリングを二部グラフで可視化する問題について検討する。
優れた視覚化が満たすべき3つの異なる目的を概念化します。
実世界のデータセットの実験では、これらの競合する目標間の最良のトレードオフは、小説によって達成される。
論文 参考訳(メタデータ) (2023-07-14T15:12:55Z) - 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) - 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) - Cluster Explanation via Polyhedral Descriptions [0.0]
クラスタリングは教師なしの学習問題であり、競合しないデータポイントを同様の機能を持つグループに分割することを目的としている。
従来のクラスタリングアルゴリズムは、グループ割り当ての解釈可能性ではなく、正確性に重点を置いているため、グループに対する限られた洞察を提供する。
本稿では,各クラスタのまわりにポリヘドラを配置し,結果として生じるポリヘドラの複雑さを最小化して,クラスタを説明するための新しいアプローチを提案する。
論文 参考訳(メタデータ) (2022-10-17T07:26:44Z) - Review of Clustering Methods for Functional Data [1.827510863075184]
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。
論文 参考訳(メタデータ) (2022-10-03T12:15:23Z) - Fast and explainable clustering based on sorting [0.0]
我々はCLASSIXと呼ばれる高速で説明可能なクラスタリング手法を提案する。
このアルゴリズムは2つのスカラーパラメータ、すなわちアグリゲーションのための距離パラメータと、最小クラスタサイズを制御する別のパラメータによって制御される。
実験により, CLASSIXは最先端クラスタリングアルゴリズムと競合することを示した。
論文 参考訳(メタデータ) (2022-02-03T08:24:21Z) - Local versions of sum-of-norms clustering [77.34726150561087]
本手法はボールモデルにおいて任意に閉じた球を分離できることを示す。
我々は、不連結連結集合のクラスタリングで発生する誤差に定量的な有界性を証明した。
論文 参考訳(メタデータ) (2021-09-20T14:45:29Z) - Clustering with Penalty for Joint Occurrence of Objects: Computational
Aspects [0.0]
Hol'y, Sokol および vCern'y クラスタ・オブジェクトのメソッドは、与えられた多くの集合におけるそれらの出現率に基づいている。
この考え方は、同じクラスタ内の同じクラスタから複数のオブジェクトが発生することを最小限にすることを目的としている。
本稿では,本手法の計算的側面について考察する。
論文 参考訳(メタデータ) (2021-02-02T10:39:27Z) - 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) - Conjoined Dirichlet Process [63.89763375457853]
我々はディリクレ過程に基づく新しい非パラメトリック確率的ビクラスタリング法を開発し、列と列の双方に強い共起を持つビクラスタを同定する。
本手法はテキストマイニングと遺伝子発現解析の2つの異なる応用に適用し,既存の手法に比べて多くの設定でビクラスタ抽出を改善することを示す。
論文 参考訳(メタデータ) (2020-02-08T19:41:23Z)
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。