論文の概要: Clustering Change Sign Detection by Fusing Mixture Complexity

• arxiv url: http://arxiv.org/abs/2403.18269v1
• Date: Wed, 27 Mar 2024 05:50:23 GMT
• ステータス: 処理完了
• システム内更新日: 2024-03-28 18:16:31.403179
• Title: Clustering Change Sign Detection by Fusing Mixture Complexity
• Title（参考訳）: Fusing Mixture Complexity によるクラスタリング変化信号検出
• Authors: Kento Urano, Ryo Yuki, Kenji Yamanishi,
• Abstract要約: クラスタ構造は、データが有限混合モデルで表現される場合、クラスタの数などの離散的な構造特性を指す。 私たちは、時間とともにクラスタ構造が徐々に変化するシナリオに注目します。 複数の混合数が可能である状況に対処するために, MC の拡張として MC 融合を提案する。
• 参考スコア（独自算出の注目度）: 7.620964812906982
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper proposes an early detection method for cluster structural changes. Cluster structure refers to discrete structural characteristics, such as the number of clusters, when data are represented using finite mixture models, such as Gaussian mixture models. We focused on scenarios in which the cluster structure gradually changed over time. For finite mixture models, the concept of mixture complexity (MC) measures the continuous cluster size by considering the cluster proportion bias and overlap between clusters. In this paper, we propose MC fusion as an extension of MC to handle situations in which multiple mixture numbers are possible in a finite mixture model. By incorporating the fusion of multiple models, our approach accurately captured the cluster structure during transitional periods of gradual change. Moreover, we introduce a method for detecting changes in the cluster structure by examining the transition of MC fusion. We demonstrate the effectiveness of our method through empirical analysis using both artificial and real-world datasets.
• Abstract（参考訳）: 本稿では,クラスタ構造変化の早期検出手法を提案する。 クラスタ構造は、ガウス混合モデルのような有限混合モデルを用いてデータが表現される場合、クラスタの数などの離散的な構造特性を指す。 私たちは、時間とともにクラスタ構造が徐々に変化するシナリオに注目しました。 有限混合モデルの場合、混合複雑性(MC)の概念はクラスタ比バイアスとクラスタ間の重複を考慮した連続的なクラスタサイズを測定する。 本稿では, 有限混合モデルにおいて, 複数の混合数が可能である状況に対応するため, MC 融合を MC の拡張として提案する。 複数のモデルの融合を組み込むことで,段階的変化の遷移期間におけるクラスタ構造を正確に把握する。 さらに, MC核融合の遷移を調べた結果, クラスター構造の変化を検出する手法を提案する。 人工と実世界の両方のデータセットを用いた経験的分析により,本手法の有効性を実証する。

関連論文リスト

• Clustering Based on Density Propagation and Subcluster Merging [92.15924057172195]
  本稿では,クラスタ数を自動的に決定し,データ空間とグラフ空間の両方に適用可能な密度に基づくノードクラスタリング手法を提案する。 二つのノード間の距離を計算する従来の密度クラスタリング法とは異なり,提案手法は伝播過程を通じて密度を決定する。
  論文  参考訳（メタデータ） (2024-11-04T04:09:36Z)
• 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)
• Mixture of multilayer stochastic block models for multiview clustering [0.0]
  本稿では,異なる情報源から得られた複数のクラスタリングを集約する独自の手法を提案する。 モデルパラメータの同定可能性を確立し,これらのパラメータを推定するために変分ベイズEMアルゴリズムを提案する。 この手法は、グローバルな食品取引網の分析に利用され、興味のある構造に繋がる。
  論文  参考訳（メタデータ） (2024-01-09T17:15:47Z)
• Multi-View Clustering via Semi-non-negative Tensor Factorization [120.87318230985653]
  半負のテンソル因子分解(Semi-NTF)に基づく新しいマルチビュークラスタリングを開発する。 本モデルは、ビュー間の関係を直接考慮し、ビュー間の補完情報を利用する。 さらに,提案手法の最適化アルゴリズムを提案し,そのアルゴリズムが常に定常KKT点に収束することを数学的に証明する。
  論文  参考訳（メタデータ） (2023-03-29T14:54:19Z)
• Perfect Spectral Clustering with Discrete Covariates [68.8204255655161]
  本稿では,大規模なスパースネットワークのクラスにおいて,高い確率で完全クラスタリングを実現するスペクトルアルゴリズムを提案する。 本手法は,スペクトルクラスタリングによる一貫した潜在構造回復を保証する最初の方法である。
  論文  参考訳（メタデータ） (2022-05-17T01:41:06Z)
• Correlation Clustering Reconstruction in Semi-Adversarial Models [70.11015369368272]
  相関クラスタリングは多くのアプリケーションにおいて重要なクラスタリング問題である。 本研究では,ランダムノイズや対向的な修正によって崩壊した潜伏クラスタリングを再構築しようとする,この問題の再構築版について検討する。
  論文  参考訳（メタデータ） (2021-08-10T14:46:17Z)
• 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)
• Vine copula mixture models and clustering for non-Gaussian data [0.0]
  連続データのための新しいブドウパウラ混合モデルを提案する。 本研究では, モデルベースクラスタリングアルゴリズムにおいて, ベインコプラ混合モデルが他のモデルベース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） (2021-02-05T16:04:26Z)
• Mixture Complexity and Its Application to Gradual Clustering Change Detection [18.96912763708634]
  混合複雑性(MC)と呼ばれる新しい概念を用いて混合モデルにおけるクラスタサイズを測定することを提案する。 これは情報理論の観点から正式に定義されており、重なり合いと重みバイアスを考慮したクラスタサイズの自然な拡張と見なすことができる。 混合モデルの階層構造に応じてMCを分解できることを実証する。
  論文  参考訳（メタデータ） (2020-07-15T03:49:38Z)
• 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)
• Blocked Clusterwise Regression [0.0]
  我々は、各ユニットが複数の潜伏変数を持つことを可能にすることで、離散的非観測的不均一性に対する以前のアプローチを一般化する。 我々は,クラスタの過剰な数のクラスタリングの理論に寄与し,この設定に対する新たな収束率を導出する。
  論文  参考訳（メタデータ） (2020-01-29T23:29:31Z)

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。