論文の概要: LINSCAN -- A Linearity Based Clustering Algorithm

• arxiv url: http://arxiv.org/abs/2406.17952v1
• Date: Tue, 25 Jun 2024 21:58:37 GMT
• ステータス: 処理完了
• システム内更新日: 2024-06-27 15:17:27.247356
• Title: LINSCAN -- A Linearity Based Clustering Algorithm
• Title（参考訳）: LINSCAN -- 線形性に基づくクラスタリングアルゴリズム
• Authors: Andrew Dennehy, Xiaoyu Zou, Shabnam J. Semnani, Yuri Fialko, Alexander Cloninger,
• Abstract要約: DBSCANとOPTICSは、データ構造に関する仮定がほとんどない領域のポイントのクラスタを識別するための強力なアルゴリズムである。 我々は,既存の手法の発見と分離が困難な線形クラスタを探すために設計された新しいアルゴリズムであるLINSCANを導入する。 我々は,LINSCANを地震データに適用して,交差する断層を含む活断層を識別し,その方向を決定する方法を示す。
• 参考スコア（独自算出の注目度）: 41.87020317965649
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: DBSCAN and OPTICS are powerful algorithms for identifying clusters of points in domains where few assumptions can be made about the structure of the data. In this paper, we leverage these strengths and introduce a new algorithm, LINSCAN, designed to seek lineated clusters that are difficult to find and isolate with existing methods. In particular, by embedding points as normal distributions approximating their local neighborhoods and leveraging a distance function derived from the Kullback Leibler Divergence, LINSCAN can detect and distinguish lineated clusters that are spatially close but have orthogonal covariances. We demonstrate how LINSCAN can be applied to seismic data to identify active faults, including intersecting faults, and determine their orientation. Finally, we discuss the properties a generalization of DBSCAN and OPTICS must have in order to retain the stability benefits of these algorithms.
• Abstract（参考訳）: DBSCANとOPTICSは、データ構造に関する仮定がほとんどない領域内の点のクラスタを識別する強力なアルゴリズムである。 本稿では,これらの長所を活用し,既存の手法の発見と分離が困難である線形クラスタの探索を目的とした新しいアルゴリズム LINSCAN を導入する。 特に、局所的近傍を近似する正規分布として点を埋め込むことで、クルバック・リーブラ・ディバージェンスから導かれる距離関数を活用することにより、LINSCANは空間的に近接しているが直交共分散を持つ有界クラスタを検出し、識別することができる。 我々は,LINSCANを地震データに適用して,交差する断層を含む活断層を識別し,その方向を決定する方法を示す。 最後に、これらのアルゴリズムの安定性の利点を維持するために、DBSCANとOPTICSの一般化を議論する。

関連論文リスト

• Boundary Detection Algorithm Inspired by Locally Linear Embedding [8.259071011958254]
  本稿では,広く使用されている局所的線形埋め込みアルゴリズムにインスパイアされた境界点検出手法を提案する。 本手法は,2つの近傍探索スキーム($epsilon$-radius ball scheme)と$K$-nearest neighbor scheme($K$-nearest neighbor scheme)を用いて実装する。
  論文  参考訳（メタデータ） (2024-06-26T16:05:57Z)
• Block-Diagonal Guided DBSCAN Clustering [1.6550162152849242]
  クラスタ分析は、データベースマイニングにおいて重要な役割を果たす。 この分野で最も広く使われているアルゴリズムの1つはDBSCANである。 本稿では,DBSCANのクラスタリング手順をガイドするDBSCANの改良版を紹介する。
  論文  参考訳（メタデータ） (2024-03-31T05:04:38Z)
• Scalable Density-based Clustering with Random Projections [9.028773906859541]
  本稿では,コサイン距離の高い高次元密度クラスタリングアルゴリズムであるsDBSCANを提案する。 実証的には、sDBSCANは、現実世界の百万点データセット上の他の多くのクラスタリングアルゴリズムよりもはるかに高速で精度が高い。
  論文  参考訳（メタデータ） (2024-02-24T01:45:51Z)
• 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)
• 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)
• flow-based clustering and spectral clustering: a comparison [0.688204255655161]
  本研究では,本質的なネットワーク構造を持つデータに対する新しいグラフクラスタリング手法を提案する。 我々は、ユークリッド特徴ベクトルを構築するために、データ固有のネットワーク構造を利用する。 以上の結果から,クラスタリング手法が特定のグラフ構造に対処できることが示唆された。
  論文  参考訳（メタデータ） (2022-06-20T21:49:52Z)
• 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)
• Semi-supervised Domain Adaptive Structure Learning [72.01544419893628]
  半教師付きドメイン適応 (SSDA) は,1) アノテーションの低いデータに過度に適合する手法と,2) ドメイン間の分散シフトの両方を克服しなければならない課題である。 SSLとDAの協調を正規化するための適応型構造学習手法を提案する。
  論文  参考訳（メタデータ） (2021-12-12T06:11:16Z)
• Stable and consistent density-based clustering via multiparameter persistence [77.34726150561087]
  トポロジカルデータ解析による次数-リップス構成について考察する。 我々は,入力データの摂動に対する安定性を,通信間距離を用いて解析する。 私たちはこれらのメソッドを、Persistableと呼ばれる密度ベースのクラスタリングのためのパイプラインに統合します。
  論文  参考訳（メタデータ） (2020-05-18T19:45:04Z)
• Weakly-Supervised Semantic Segmentation by Iterative Affinity Learning [86.45526827323954]
  弱教師付きセマンティックセグメンテーションは、トレーニングのためにピクセル単位のラベル情報が提供されないため、難しい課題である。 このようなペア関係を学習するための反復アルゴリズムを提案する。 本稿では,提案アルゴリズムが最先端手法に対して好適に動作することを示す。
  論文  参考訳（メタデータ） (2020-02-19T10:32:03Z)

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。