論文の概要: Silhouette Aggregation: From Micro to Macro

• arxiv url: http://arxiv.org/abs/2401.05831v2
• Date: Mon, 15 Jan 2024 10:16:12 GMT
• ステータス: 処理完了
• システム内更新日: 2024-01-17 23:25:46.296980
• Title: Silhouette Aggregation: From Micro to Macro
• Title（参考訳）: シルエット集合体:マイクロからマクロへ
• Authors: Georgios Vardakas and John Pavlopoulos and Aristidis Likas
• Abstract要約: マイクロアベリング戦略はクラスタ不均衡とアウトレーヤ(バックグラウンドノイズ)の両方に敏感であり,マクロアベリングの方がより堅牢であることを示す。 8つの実世界のデータセットを実験的に検討することにより,マイクロ・マクロの両係数を考慮すべきであることを示す。
• 参考スコア（独自算出の注目度）: 2.8851756275902476
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Silhouette coefficient is an established internal clustering evaluation measure that produces a score per data point, assessing the quality of its clustering assignment. To assess the quality of the clustering of the whole dataset, the scores of all the points in the dataset are either (micro) averaged into a single value or averaged at the cluster level and then (macro) averaged. As we illustrate in this work, by using a synthetic example, the micro-averaging strategy is sensitive both to cluster imbalance and outliers (background noise) while macro-averaging is far more robust to both. Furthermore, the latter allows cluster-balanced sampling which yields robust computation of the silhouette score. By conducting an experimental study on eight real-world datasets, estimating the ground truth number of clusters, we show that both coefficients, micro and macro, should be considered.
• Abstract（参考訳）: シルエット係数(Silhouette coefficient)は、クラスタリング割り当ての品質を評価し、データポイント当たりのスコアを生成する確立された内部クラスタリング評価尺度である。 データセット全体のクラスタリングの品質を評価するために、データセットのすべてのポイントのスコアは(マイクロ)1つの値に平均化され、クラスタレベルで平均化され、それから(マクロ)平均化されます。 本研究で示すように, マイクロアベリング戦略は, クラスタ不均衡とアウトレーラ(バックグラウンドノイズ)の両方に敏感であり, マクロアベリングの方がより堅牢である。 さらに、後者は、シルエットスコアの堅牢な計算をもたらすクラスタバランスサンプリングを可能にする。 実世界の8つのデータセットについて実験を行い、クラスターの真理数を推定することにより、マイクロおよびマクロの係数が考慮されるべきであることを示す。

関連論文リスト

• Self-Supervised Graph Embedding Clustering [70.36328717683297]
  K-means 1-step dimensionality reduction clustering method は,クラスタリングタスクにおける次元性の呪いに対処する上で,いくつかの進歩をもたらした。 本稿では,K-meansに多様体学習を統合する統一フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-09-24T08:59:51Z)
• Interpretable Clustering with the Distinguishability Criterion [0.4419843514606336]
  本稿では,特定クラスタの分離可能性の定量化と推定クラスタ構成の検証を行うために,分散可能性基準と呼ばれるグローバルな基準を提案する。 本稿では、分散可能性基準と多くの一般的なクラスタリング手順を統合した損失関数に基づく計算フレームワークを提案する。 シミュレーション研究および実データアプリケーションに基づく包括的データ解析の結果とともに,これらの新しいアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-04-24T16:38:15Z)
• Quality check of a sample partition using multinomial distribution [0.0]
  我々は、サンプルのクラスタパーティションの品質をいくつかの異なるクラスに分類する目的で、新しい尺度を提唱する。 我々は,各クラスタの代表者からグループにクラスタ化されたデータメンバーの距離に,多項分布を適用した。
  論文  参考訳（メタデータ） (2024-04-11T14:14:58Z)
• 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)
• Cluster-level Group Representativity Fairness in $k$-means Clustering [3.420467786581458]
  クラスタリングアルゴリズムは、異なるグループが異なるクラスタ内で不利になるようにクラスタを生成することができる。 我々は,古典的アルゴリズムに先駆けて,セントロイドクラスタリングパラダイムに基づくクラスタリングアルゴリズムを開発した。 本手法はクラスタレベルの表現性フェアネスを,クラスタのコヒーレンスに低い影響で向上させるのに有効であることを示す。
  論文  参考訳（メタデータ） (2022-12-29T22:02:28Z)
• Self-Evolutionary Clustering [1.662966122370634]
  既存のディープクラスタリング手法の多くは、単純な距離比較に基づいており、手作り非線形マッピングによって生成されたターゲット分布に大きく依存している。 新たなモジュール型自己進化クラスタリング(Self-EvoC)フレームワークが構築され,自己管理的な分類によってクラスタリング性能が向上する。 このフレームワークは、サンプルアウトレイラを効率よく識別し、自己監督の助けを借りて、より良い目標分布を生成することができる。
  論文  参考訳（メタデータ） (2022-02-21T19:38:18Z)
• Differentially-Private Clustering of Easy Instances [67.04951703461657]
  異なるプライベートクラスタリングでは、個々のデータポイントに関する情報を公開せずに、$k$のクラスタセンターを特定することが目標だ。 我々は、データが"簡単"である場合にユーティリティを提供する実装可能な差分プライベートクラスタリングアルゴリズムを提供する。 我々は、非プライベートクラスタリングアルゴリズムを簡単なインスタンスに適用し、結果をプライベートに組み合わせることのできるフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-12-29T08:13:56Z)
• 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)
• You Never Cluster Alone [150.94921340034688]
  我々は、主流のコントラスト学習パラダイムをクラスタレベルのスキームに拡張し、同じクラスタに属するすべてのデータが統一された表現に寄与する。 分類変数の集合をクラスタ化代入信頼度として定義し、インスタンスレベルの学習トラックとクラスタレベルの学習トラックを関連付ける。 代入変数を再パラメータ化することで、TCCはエンドツーエンドでトレーニングされる。
  論文  参考訳（メタデータ） (2021-06-03T14:59:59Z)
• 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。