Fugu-MT 論文翻訳(概要): Enabling clustering algorithms to detect clusters of varying densities through scale-invariant data preprocessing

論文の概要: Enabling clustering algorithms to detect clusters of varying densities through scale-invariant data preprocessing

arxiv url: http://arxiv.org/abs/2401.11402v1
Date: Sun, 21 Jan 2024 04:51:15 GMT
ステータス: 処理完了
システム内更新日: 2024-01-23 16:46:11.050538
Title: Enabling clustering algorithms to detect clusters of varying densities through scale-invariant data preprocessing
Title（参考訳）: クラスターアルゴリズムによるスケール不変データ前処理による密度変動クラスタの検出
Authors: Sunil Aryal, Jonathan R. Wells, Arbind Agrahari Baniya, KC Santosh
Abstract要約: 本稿では,「サブサンプルのアンサンブル上の平均ランク」と呼ばれる,ランク変換の変種を用いた事前処理により,クラスタリングアルゴリズムがデータの表現に頑健であることを示す。最も広く使われている3つのクラスタリングアルゴリズムを用いて得られた実験結果から、ARES変換後のクラスタリングがより良く、より一貫性のある結果をもたらすことを示す。
参考スコア（独自算出の注目度）: 5.116665993717368
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: In this paper, we show that preprocessing data using a variant of rank transformation called 'Average Rank over an Ensemble of Sub-samples (ARES)' makes clustering algorithms robust to data representation and enable them to detect varying density clusters. Our empirical results, obtained using three most widely used clustering algorithms-namely KMeans, DBSCAN, and DP (Density Peak)-across a wide range of real-world datasets, show that clustering after ARES transformation produces better and more consistent results.
Abstract（参考訳）: 本稿では,"ARES(Average Rank over an Ensemble of Sub-Samples)"と呼ばれる,ランク変換の変種を用いた事前処理により,クラスタリングアルゴリズムがデータ表現に頑健になり,様々な密度クラスタを検出できることを示す。最も広く使われている3つのクラスタリングアルゴリズム、すなわちkmeans、dbscan、dp(density peak)を用いて、幅広い実世界のデータセットを横断し、アレス変換後のクラスタリングがより良く一貫性のある結果を生み出すことを示した。

関連論文リスト

A3S: A General Active Clustering Method with Pairwise Constraints [66.74627463101837]
A3Sは、適応クラスタリングアルゴリズムによって得られる初期クラスタ結果に対して、戦略的にアクティブクラスタリングを調整する。さまざまな実世界のデータセットにわたる広範な実験において、A3Sは、人間のクエリを著しく少なくして、望ましい結果を達成する。
論文参考訳（メタデータ） (2024-07-14T13:37:03Z)
FLASC: A Flare-Sensitive Clustering Algorithm [0.0]
本稿では,クラスタ内の分岐を検知してサブポピュレーションを同定するアルゴリズムFLASCを提案する。アルゴリズムの2つの変種が提示され、ノイズの堅牢性に対する計算コストが取引される。両変種は計算コストの観点からHDBSCAN*と類似してスケールし,安定した出力を提供することを示す。
論文参考訳（メタデータ） (2023-11-27T14:55:16Z)
Generalized Category Discovery with Clustering Assignment Consistency [56.92546133591019]
一般化圏発見(GCD)は、最近提案されたオープンワールドタスクである。クラスタリングの一貫性を促進するための協調学習ベースのフレームワークを提案する。提案手法は,3つの総合的なベンチマークと3つのきめ細かい視覚認識データセット上での最先端性能を実現する。
論文参考訳（メタデータ） (2023-10-30T00:32:47Z)
Convolutional autoencoder-based multimodal one-class classification [80.52334952912808]
1クラス分類は、単一のクラスからのデータを用いた学習のアプローチを指す。マルチモーダルデータに適した深層学習一クラス分類法を提案する。
論文参考訳（メタデータ） (2023-09-25T12:31:18Z)
Rethinking k-means from manifold learning perspective [122.38667613245151]
平均推定なしで直接データのクラスタを検出する新しいクラスタリングアルゴリズムを提案する。具体的には,バタワースフィルタを用いてデータ点間の距離行列を構成する。異なる視点に埋め込まれた相補的な情報をうまく活用するために、テンソルのSchatten p-norm正規化を利用する。
論文参考訳（メタデータ） (2023-05-12T03:01:41Z)
Comparison of Clustering Algorithms for Statistical Features of Vibration Data Sets [0.4806505912512235]
振動データセットの時間と周波数領域から抽出した統計的特徴に対して,クラスタリングアルゴリズムK平均クラスタリング,OPTICS,およびガウス混合モデルクラスタリング(GMM)を広範囲に比較した。本研究は, 平均的特徴(平均, 中間値), 分散的特徴(標準偏差, 原子間距離)が, 形状的特徴(骨格性, クルトーシス)よりも有意に優れていたことを示した。クラスタ数の増加に伴い、クラスタリングアルゴリズムは、いくつかの特定のアルゴリズム制限があるにも関わらず、パフォーマンスが向上した。
論文参考訳（メタデータ） (2023-05-11T12:19:30Z)
Learn to Cluster Faces with Better Subgraphs [13.511058277653122]
顔クラスタリングは、巨大な未ラベルの顔データに擬似ラベルを提供することができる。既存のクラスタリング手法は、均一な閾値や学習されたカットオフ位置に基づいて、サブグラフ内の特徴を集約する。本研究は、ノイズを著しく低減できる効率的な近傍対応サブグラフ調整法を提案する。
論文参考訳（メタデータ） (2023-04-21T09:18:55Z)
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)
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)
Multiscale Clustering of Hyperspectral Images Through Spectral-Spatial Diffusion Geometry [9.619814126465206]
クラスタリングアルゴリズムはデータセットを類似点のグループに分割する。本論文の主な貢献は,マルチスケール空間規則化拡散学習(M-SRDL)クラスタリングアルゴリズムである。マルチスケールクラスタリングフレームワークに空間正規化を組み込むことは、hsiデータに適用するとより滑らかでより一貫性のあるクラスタに対応できることを示す。
論文参考訳（メタデータ） (2021-03-29T17:24:28Z)
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。