論文の概要: Order Is All You Need for Categorical Data Clustering

• arxiv url: http://arxiv.org/abs/2411.15189v1
• Date: Tue, 19 Nov 2024 08:23:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-26 14:24:51.488466
• Title: Order Is All You Need for Categorical Data Clustering
• Title（参考訳）: カテゴリデータクラスタリングに必要なオーダー
• Authors: Yiqun Zhang, Mingjie Zhao, Hong Jia, Yiu-ming Cheung,
• Abstract要約: 名目価値属性からなる分類データは、知識発見やデータマイニングのタスクにおいてユビキタスである。 適切に定義された距離空間がないため、分類データの分布は直感的に理解することが難しい。 本稿では,属性値間の順序関係がクラスタリング精度の決定的要因であることを示す。
• 参考スコア（独自算出の注目度）: 29.264630563297466
• License:
• Abstract: Categorical data composed of nominal valued attributes are ubiquitous in knowledge discovery and data mining tasks. Due to the lack of well-defined metric space, categorical data distributions are difficult to intuitively understand. Clustering is a popular technique suitable for data analysis. However, the success of clustering often relies on reasonable distance metrics, which happens to be what categorical data naturally lack. Therefore, the cluster analysis of categorical data is considered a critical but challenging problem. This paper introduces the new finding that the order relation among attribute values is the decisive factor in clustering accuracy, and is also the key to understanding the categorical data clusters. To automatically obtain the orders, we propose a new learning paradigm that allows joint learning of clusters and the orders. It turns out that clustering with order learning achieves superior clustering accuracy, and the learned orders provide intuition for understanding the cluster distribution of categorical data. Extensive experiments with statistical evidence and case studies have verified the effectiveness of the new ``order is all you need'' insight and the proposed method.
• Abstract（参考訳）: 名目価値属性からなる分類データは、知識発見やデータマイニングのタスクにおいてユビキタスである。 適切に定義された距離空間がないため、分類データの分布は直感的に理解することが難しい。 クラスタリングは、データ分析に適した一般的なテクニックです。 しかし、クラスタリングの成功は、しばしば合理的な距離のメトリクスに依存します。 したがって、分類データのクラスタ分析は重要な問題であるが、難しい問題であると考えられる。 本稿では,属性値間の順序関係がクラスタリング精度の決定的要因であり,分類データクラスタの理解の鍵でもあることを示す。 注文を自動的に取得するために,クラスタと注文の協調学習を可能にする新しい学習パラダイムを提案する。 その結果、順序学習によるクラスタリングはより優れたクラスタリング精度を実現し、学習された順序は分類データのクラスタ分布を理解するための直感を与えることがわかった。 統計的エビデンスとケーススタディによる広範囲にわたる実験により,新たな「順序は必要なすべて」の洞察と提案手法の有効性が検証された。

関連論文リスト

• ABCDE: Application-Based Cluster Diff Evals [49.1574468325115]
  それは実用性を目指しており、アイテムはアプリケーション固有の重要な値を持つことができ、クラスタリングがどちらが優れているかを判断するときに人間の判断を使うのは粗悪であり、アイテムの任意のスライスのためのメトリクスを報告できる。 クラスタリング品質の差分を測定するアプローチは、高価な地平を前もって構築し、それに関して各クラスタリングを評価する代わりに、ABCDEはクラスタリング間の実際の差分に基づいて、判定のための質問をサンプリングする。
  論文  参考訳（メタデータ） (2024-07-31T08:29:35Z)
• Spectral Clustering of Categorical and Mixed-type Data via Extra Graph Nodes [0.0]
  本稿では,数値情報と分類情報の両方をスペクトルクラスタリングアルゴリズムに組み込むための,より自然な方法について検討する。 データの属する可能性のある異なるカテゴリに対応する追加ノードの追加を提案し、それが解釈可能なクラスタリング対象関数に繋がることを示す。 この単純なフレームワークは、分類のみのデータに対する線形時間スペクトルクラスタリングアルゴリズムに繋がることを示す。
  論文  参考訳（メタデータ） (2024-03-08T20:49:49Z)
• Using Decision Trees for Interpretable Supervised Clustering [0.0]
  教師付きクラスタリングは、高い確率密度でラベル付きデータのクラスタを形成することを目的としている。 特に、特定のクラスのデータのクラスタを見つけ、包括的なルールのセットでクラスタを記述することに興味があります。
  論文  参考訳（メタデータ） (2023-07-16T17:12:45Z)
• A testing-based approach to assess the clusterability of categorical data [6.7937877930001775]
  TestCatは、分析的な$p$-valueで分類データのクラスタ性を評価するためのテストベースのアプローチである。 提案手法をベンチマーク分類データセットに適用することにより,TestCatが数値データに対してそれらの解より優れていることを示す。
  論文  参考訳（メタデータ） (2023-07-14T13:50:00Z)
• Dynamic Conceptional Contrastive Learning for Generalized Category Discovery [76.82327473338734]
  Generalized category discovery (GCD) は、部分的にラベル付けされたデータを自動でクラスタリングすることを目的としている。 ラベル付きデータには、ラベル付きデータの既知のカテゴリだけでなく、新しいカテゴリのインスタンスも含まれている。 GCDの効果的な方法の1つは、ラベルなしデータの識別表現を学習するために自己教師付き学習を適用することである。 本稿では,クラスタリングの精度を効果的に向上する動的概念コントラスト学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-03-30T14:04:39Z)
• Hard Regularization to Prevent Deep Online Clustering Collapse without Data Augmentation [65.268245109828]
  オンラインディープクラスタリング(オンラインディープクラスタリング)とは、機能抽出ネットワークとクラスタリングモデルを組み合わせて、クラスタラベルを処理された各新しいデータポイントまたはバッチに割り当てることである。 オフラインメソッドよりも高速で汎用性が高いが、オンラインクラスタリングは、エンコーダがすべての入力を同じポイントにマッピングし、すべてを単一のクラスタに配置する、崩壊したソリューションに容易に到達することができる。 本稿では,データ拡張を必要としない手法を提案する。
  論文  参考訳（メタデータ） (2023-03-29T08:23:26Z)
• Clustering Optimisation Method for Highly Connected Biological Data [0.0]
  接続クラスタリング評価のための単純な指標が,生物データの最適セグメンテーションにつながることを示す。 この作業の斬新さは、混雑したデータをクラスタリングするための単純な最適化方法の作成にある。
  論文  参考訳（メタデータ） (2022-08-08T17:33:32Z)
• Seeking the Truth Beyond the Data. An Unsupervised Machine Learning Approach [0.0]
  クラスタリングは、ラベルのない要素/オブジェクトがグループ化される、教師なしの機械学習方法論である。 この記事では、最も広く使われているクラスタリング手法について詳しく説明する。 3つのデータセットに基づいて、これらのアルゴリズムのクラスタリング効率の比較を強調している。
  論文  参考訳（メタデータ） (2022-07-14T14:22:36Z)
• 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)
• Structured Graph Learning for Clustering and Semi-supervised Classification [74.35376212789132]
  データの局所構造とグローバル構造の両方を保存するためのグラフ学習フレームワークを提案する。 本手法は, サンプルの自己表現性を利用して, 局所構造を尊重するために, 大域的構造と適応的隣接アプローチを捉える。 我々のモデルは、ある条件下でのカーネルk平均法とk平均法の組合せと等価である。
  論文  参考訳（メタデータ） (2020-08-31T08:41:20Z)

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。