論文の概要: Clust-Splitter $-$ an Efficient Nonsmooth Optimization-Based Algorithm for Clustering Large Datasets

• arxiv url: http://arxiv.org/abs/2505.04389v1
• Date: Wed, 07 May 2025 13:13:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-08 19:07:36.082125
• Title: Clust-Splitter $-$ an Efficient Nonsmooth Optimization-Based Algorithm for Clustering Large Datasets
• Title（参考訳）: Clust-Splitter $-$ an Efficient Nonsmooth Optimization-based Algorithm for Clustering Large Datasets
• Authors: Jenni Lampainen, Kaisa Joki, Napsu Karmitsa, Marko M. Mäkelä,
• Abstract要約: 我々は,非滑らかな最適化に基づく効率的なアルゴリズムであるClust-Splitterを導入し,最小2乗のクラスタリング問題を解く。 我々は,多数の属性と多数のデータポイントを特徴とする実世界のデータセット上でClust-Splitterを評価する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Clustering is a fundamental task in data mining and machine learning, particularly for analyzing large-scale data. In this paper, we introduce Clust-Splitter, an efficient algorithm based on nonsmooth optimization, designed to solve the minimum sum-of-squares clustering problem in very large datasets. The clustering task is approached through a sequence of three nonsmooth optimization problems: two auxiliary problems used to generate suitable starting points, followed by a main clustering formulation. To solve these problems effectively, the limited memory bundle method is combined with an incremental approach to develop the Clust-Splitter algorithm. We evaluate Clust-Splitter on real-world datasets characterized by both a large number of attributes and a large number of data points and compare its performance with several state-of-the-art large-scale clustering algorithms. Experimental results demonstrate the efficiency of the proposed method for clustering very large datasets, as well as the high quality of its solutions, which are on par with those of the best existing methods.
• Abstract（参考訳）: クラスタリングは、特に大規模データの分析において、データマイニングと機械学習の基本的なタスクである。 本稿では,非滑らかな最適化に基づく効率的なアルゴリズムであるClust-Splitterを導入する。 クラスタリングタスクは3つの非滑らかな最適化問題の連続を通してアプローチされる: 適切な開始点を生成するのに使用される2つの補助的な問題、続いて主クラスタリングの定式化である。 これらの問題を効果的に解決するために、限定メモリバンドル法と漸進的なアプローチを組み合わせて、Clust-Splitterアルゴリズムを開発した。 我々は,多数の属性と多数のデータポイントを特徴とする実世界のデータセット上でClust-Splitterを評価し,その性能を最先端の大規模クラスタリングアルゴリズムと比較した。 実験により,非常に大規模なデータセットをクラスタリングするための提案手法の有効性と,そのソリューションの高品質性を実証した。

関連論文リスト

• Strong bounds for large-scale Minimum Sum-of-Squares Clustering [0.9831489366502302]
  Minimum Sum-of-Squares Clustering (MSSC)は、最も広く使われているクラスタリング手法の1つである。 MSSCは、データポイントとそれに対応するクラスタセントロイド間の合計2乗ユークリッド距離を最小化することを目的としている。 最適性ギャップによるMSSCソリューションの検証手法を提案する。
  論文  参考訳（メタデータ） (2025-02-12T13:40:00Z)
• Scalable Co-Clustering for Large-Scale Data through Dynamic Partitioning and Hierarchical Merging [7.106620444966807]
  クラスタの行と列を同時にクラスタリングすることで、よりきめ細かいグループを明らかにします。 既存のクラスタリング手法はスケーラビリティが悪く、大規模なデータを扱うことができない。 本稿では,高次元大規模データセットにおける複雑なパターンを明らかにするために,新しい,スケーラブルなコクラスタリング手法を提案する。
  論文  参考訳（メタデータ） (2024-10-09T04:47:22Z)
• A Weighted K-Center Algorithm for Data Subset Selection [70.49696246526199]
  サブセット選択は、トレーニングデータの小さな部分を特定する上で重要な役割を果たす、基本的な問題である。 我々は,k中心および不確かさサンプリング目的関数の重み付け和に基づいて,サブセットを計算する新しい係数3近似アルゴリズムを開発した。
  論文  参考訳（メタデータ） (2023-12-17T04:41:07Z)
• One-step Multi-view Clustering with Diverse Representation [47.41455937479201]
  本稿では,多視点学習と$k$-meansを統合フレームワークに組み込んだ一段階のマルチビュークラスタリングを提案する。 そこで本研究では,効率の良い最適化アルゴリズムを開発し,その解法について述べる。
  論文  参考訳（メタデータ） (2023-06-08T02:52:24Z)
• Research on Efficient Fuzzy Clustering Method Based on Local Fuzzy Granular balls [67.33923111887933]
  本稿では,データをグラニュラーボールを用いてファジィにイテレーションし,その位置にある2つのグラニュラーボールのみをデータのメンバーシップ度として検討する。 ファジィグラニュラーボールセットは、異なるデータシナリオに直面して、より多くの処理方法を使用することができる。
  論文  参考訳（メタデータ） (2023-03-07T01:52:55Z)
• Late Fusion Multi-view Clustering via Global and Local Alignment Maximization [61.89218392703043]
  マルチビュークラスタリング(MVC)は、異なるビューからの補完情報を最適に統合し、クラスタリング性能を改善する。 既存のアプローチの多くは、クラスタリングに最適な類似性行列を学ぶために、複数の事前定義された類似性を直接融合する。 これらの問題に対処するために、アライメントを通してレイトフュージョンMVCを提案する。
  論文  参考訳（メタデータ） (2022-08-02T01:49:31Z)
• A sampling-based approach for efficient clustering in large datasets [0.8952229340927184]
  本稿では,多数のクラスタを持つ高次元データに対して,簡便かつ効率的なクラスタリング手法を提案する。 私たちのコントリビューションは、データポイントとクラスタの完全な比較を必要としないため、k-meansよりもはるかに効率的です。
  論文  参考訳（メタデータ） (2021-12-29T19:15:20Z)
• LSEC: Large-scale spectral ensemble clustering [8.545202841051582]
  本稿では,効率と効率のバランスを良くするために,大規模スペクトルアンサンブルクラスタリング(LSEC)手法を提案する。 LSEC法は既存のアンサンブルクラスタリング法よりも計算複雑性が低い。
  論文  参考訳（メタデータ） (2021-06-18T00:42:03Z)
• Multi-View Spectral Clustering with High-Order Optimal Neighborhood Laplacian Matrix [57.11971786407279]
  マルチビュースペクトルクラスタリングは、データ間の固有のクラスタ構造を効果的に明らかにすることができる。 本稿では,高次最適近傍ラプラシア行列を学習するマルチビュースペクトルクラスタリングアルゴリズムを提案する。 提案アルゴリズムは, 1次ベースと高次ベースの両方の線形結合の近傍を探索し, 最適ラプラシア行列を生成する。
  論文  参考訳（メタデータ） (2020-08-31T12:28:40Z)
• Bi-objective Optimization of Biclustering with Binary Data [0.0]
  クラスタリングは、いくつかの類似性基準に従って、データオブジェクトをクラスタと呼ばれるサブセットに分割する。 本稿では,クラスタの重複を許容する準クラスタリングについて論じる。 ビクラスタリングは、オブジェクトとフィーチャーを同時にグループ化し、特定のオブジェクトのグループに特別な機能のグループがあるようにします。
  論文  参考訳（メタデータ） (2020-02-09T21:49:26Z)

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。