論文の概要: Fast Clustering of Categorical Big Data

• arxiv url: http://arxiv.org/abs/2502.07081v2
• Date: Sat, 15 Feb 2025 20:57:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-18 14:03:09.223360
• Title: Fast Clustering of Categorical Big Data
• Title（参考訳）: カテゴリ的ビッグデータの高速クラスタリング
• Authors: Bipana Thapaliya, Yu Zhuang,
• Abstract要約: 分類データのクラスタリングのために開発されたK-Modesアルゴリズムは、クラスタリング品質とクラスタリング効率の信頼性の低いパフォーマンスに悩まされている。 我々は、クラスタを見つけるための連続的な二分法プロセスであるBisecting K-Modes (BK-Modes) を調査し、クラスタが二分法プロセスからどのくらいの精度で出発するかを調べる。 実験結果から,大規模データセットのクラスタリング品質と効率の両面で,BK-Modsの優れた性能が示された。
• 参考スコア（独自算出の注目度）: 1.8416014644193066
• License:
• Abstract: The K-Modes algorithm, developed for clustering categorical data, is of high algorithmic simplicity but suffers from unreliable performances in clustering quality and clustering efficiency, both heavily influenced by the choice of initial cluster centers. In this paper, we investigate Bisecting K-Modes (BK-Modes), a successive bisecting process to find clusters, in examining how good the cluster centers out of the bisecting process will be when used as initial centers for the K-Modes. The BK-Modes works by splitting a dataset into multiple clusters iteratively with one cluster being chosen and bisected into two clusters in each iteration. We use the sum of distances of data to their cluster centers as the selection metric to choose a cluster to be bisected in each iteration. This iterative process stops when K clusters are produced. The centers of these K clusters are then used as the initial cluster centers for the K-Modes. Experimental studies of the BK-Modes were carried out and were compared against the K-Modes with multiple sets of initial cluster centers as well as the best of the existing methods we found so far in our survey. Experimental results indicated good performances of BK-Modes both in the clustering quality and efficiency for large datasets.
• Abstract（参考訳）: クラスタリング分類データのために開発されたK-Modesアルゴリズムは、アルゴリズムの単純さが高いが、クラスタリングの品質とクラスタリング効率の信頼性の低いパフォーマンスに悩まされており、どちらも初期クラスタセンターの選択に大きく影響されている。 本稿では, K-Modes の初期中心として使用する場合, K-Modes の初期中心として, クラスタを二分するプロセスである Bisecting K-Modes (BK-Modes) について検討する。 BK-Modesは、データセットを複数のクラスタに反復的に分割し、1つのクラスタが選択され、各イテレーションで2つのクラスタに分割する。 クラスタ中心へのデータの距離の合計を選択基準として、各イテレーションで2分割されるクラスタを選択する。 この反復過程は、Kクラスターが生成されると停止する。 これらのKクラスターの中心は、K-モードの最初のクラスター中心として使用される。 BK-Modesの実験的な研究は、K-Modesに対して、複数の初期クラスタセンターのセットと、これまでの調査で見いだされた既存の手法の最良のセットを比較した。 実験結果から,大規模データセットのクラスタリング品質と効率の両面で,BK-Modsの優れた性能が示された。

関連論文リスト

• Estimating the Optimal Number of Clusters in Categorical Data Clustering by Silhouette Coefficient [0.5939858158928473]
  本稿では,分類データクラスタリングにおける最適kを推定するアルゴリズムk-SCCを提案する。 k-SCCの性能を比較するために, 合成データセットと実データセットの比較実験を行った。
  論文  参考訳（メタデータ） (2025-01-26T14:29:11Z)
• 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)
• Fuzzy K-Means Clustering without Cluster Centroids [21.256564324236333]
  ファジィK平均クラスタリングは教師なしデータ分析において重要な手法である。 本稿では,クラスタセントロイドへの依存を完全に排除する,ファジィテクストK-Meansクラスタリングアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-04-07T12:25:03Z)
• 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)
• DeepCluE: Enhanced Image Clustering via Multi-layer Ensembles in Deep Neural Networks [53.88811980967342]
  本稿では,Ensembles (DeepCluE) を用いたDeep Clusteringを提案する。 ディープニューラルネットワークにおける複数のレイヤのパワーを活用することで、ディープクラスタリングとアンサンブルクラスタリングのギャップを埋める。 6つの画像データセットの実験結果から、最先端のディープクラスタリングアプローチに対するDeepCluEの利点が確認されている。
  論文  参考訳（メタデータ） (2022-06-01T09:51:38Z)
• K-Splits: Improved K-Means Clustering Algorithm to Automatically Detect the Number of Clusters [0.12313056815753944]
  本稿では,k-meansに基づく改良された階層型アルゴリズムであるk-splitsを紹介する。 提案手法の主な利点は,精度と速度である。
  論文  参考訳（メタデータ） (2021-10-09T23:02:57Z)
• Robust Trimmed k-means [70.88503833248159]
  本稿では,外乱点とクラスタポイントを同時に識別するRobust Trimmed k-means (RTKM)を提案する。 RTKMは他の方法と競合することを示す。
  論文  参考訳（メタデータ） (2021-08-16T15:49:40Z)
• 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)
• Determinantal consensus clustering [77.34726150561087]
  本稿では,クラスタリングアルゴリズムのランダム再起動における決定点プロセス (DPP) の利用を提案する。 DPPは部分集合内の中心点の多様性を好んでいる。 DPPとは対照的に、この手法は多様性の確保と、すべてのデータフェースについて良好なカバレッジを得るために失敗することを示す。
  論文  参考訳（メタデータ） (2021-02-07T23:48:24Z)
• 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)
• Supervised Enhanced Soft Subspace Clustering (SESSC) for TSK Fuzzy Classifiers [25.32478253796209]
  ファジィc平均クラスタリングアルゴリズムは,高木・スゲノカン(TSK)ファジィ分類器パラメータ推定によく用いられる。 本稿では,クラスタ内コンパクト性,クラスタ間分離,クラスタリングにおけるラベル情報とを同時に考慮した拡張ソフトサブスペースクラスタリング(SESSC)アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-02-27T19:39:19Z)

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。