論文の概要: Depth-Based Local Center Clustering: A Framework for Handling Different Clustering Scenarios

• arxiv url: http://arxiv.org/abs/2505.09516v1
• Date: Wed, 14 May 2025 16:08:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-15 21:44:09.523578
• Title: Depth-Based Local Center Clustering: A Framework for Handling Different Clustering Scenarios
• Title（参考訳）: 深さベースのローカルセンタークラスタリング:異なるクラスタリングシナリオを扱うフレームワーク
• Authors: Siyi Wang, Alexandre Leblanc, Paul D. McNicholas,
• Abstract要約: クラスター分析は多くの科学・工学分野において重要な役割を担っている。 過去数十年にわたって提案されてきたクラスタリングメソッドにもかかわらず、それぞれのメソッドは通常、特定のシナリオのために設計されている。 本稿では,深度に基づくクラスタリング(DLCC)を提案する。 DLCCはデータのサブセットに基づくデータ深度のローカルバージョンを利用する
• 参考スコア（独自算出の注目度）: 46.164361878412656
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Cluster analysis, or clustering, plays a crucial role across numerous scientific and engineering domains. Despite the wealth of clustering methods proposed over the past decades, each method is typically designed for specific scenarios and presents certain limitations in practical applications. In this paper, we propose depth-based local center clustering (DLCC). This novel method makes use of data depth, which is known to produce a center-outward ordering of sample points in a multivariate space. However, data depth typically fails to capture the multimodal characteristics of {data}, something of the utmost importance in the context of clustering. To overcome this, DLCC makes use of a local version of data depth that is based on subsets of {data}. From this, local centers can be identified as well as clusters of varying shapes. Furthermore, we propose a new internal metric based on density-based clustering to evaluate clustering performance on {non-convex clusters}. Overall, DLCC is a flexible clustering approach that seems to overcome some limitations of traditional clustering methods, thereby enhancing data analysis capabilities across a wide range of application scenarios.
• Abstract（参考訳）: クラスタ分析(クラスタリング)は、多くの科学的および工学的な領域において重要な役割を果たす。 過去数十年にわたって提案されてきたクラスタリング手法の多さにもかかわらず、各手法は通常、特定のシナリオのために設計され、実用的なアプリケーションに一定の制限を課す。 本稿では,深度に基づくローカル・センター・クラスタリング(DLCC)を提案する。 この手法は,多変量空間におけるサンプル点の中心外秩序を生成することが知られているデータ深度を利用する。 しかし、データ深度は通常、クラスタリングのコンテキストにおいて最も重要な、 {data} のマルチモーダル特性をキャプチャできない。 これを解決するため、DLCCは {data} のサブセットに基づいたローカルバージョンのデータ深度を利用する。 このことから、局所的な中心は様々な形状の集合と同様に特定できる。 さらに,非凸クラスタ上でのクラスタリング性能を評価するために,密度に基づくクラスタリングに基づく新しい内部メトリックを提案する。 総じてDLCCはフレキシブルなクラスタリングアプローチであり、従来のクラスタリングメソッドのいくつかの制限を克服しているように思える。

関連論文リスト

• Hierarchical clustering with maximum density paths and mixture models [39.42511559155036]
  階層クラスタリングは、データの構造を分析するための効果的で解釈可能な手法である。 クラスタの正確な数は不明な環境では特に有用であり、複雑なデータセットを探索するための堅牢なフレームワークを提供する。 提案手法は,まずガウスあるいは学生のt混合モデルを用いてデータをオーバークラスタリングし,次に誘導密度景観に基づいて階層的にクラスタをマージすることで,この制限に対処する。 このアプローチは、最先端のクラスタリング性能と意味のある階層を提供し、探索データ分析に有用なツールである。
  論文  参考訳（メタデータ） (2025-03-19T15:37:51Z)
• 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)
• Dying Clusters Is All You Need -- Deep Clustering With an Unknown Number of Clusters [5.507296054825372]
  高次元データで有意義なグループを見つけることは、データマイニングにおいて重要な課題である。 深層クラスタリング手法はこれらの課題において顕著な成果を上げている。 これらのメソッドの多くは、事前にクラスタの数を指定する必要がある。 これは、ラベル付きデータが利用できない場合、クラスタの数は通常不明であるため、大きな制限となる。 これらのアプローチのほとんどは、クラスタリングプロセスから分離されたクラスタの数を見積もっています。
  論文  参考訳（メタデータ） (2024-10-12T11:04:10Z)
• DivClust: Controlling Diversity in Deep Clustering [47.85350249697335]
  DivClustはコンセンサスクラスタリングソリューションを生成し、単一クラスタリングベースラインを一貫して上回る。 提案手法は, フレームワークやデータセット間の多様性を, 計算コストを極めて小さく効果的に制御する。
  論文  参考訳（メタデータ） (2023-04-03T14:45:43Z)
• Deep Clustering: A Comprehensive Survey [53.387957674512585]
  クラスタリング分析は、機械学習とデータマイニングにおいて必須の役割を果たす。 ディープ・クラスタリングは、ディープ・ニューラルネットワークを使ってクラスタリングフレンドリーな表現を学習することができるが、幅広いクラスタリングタスクに広く適用されている。 ディープクラスタリングに関する既存の調査は、主にシングルビューフィールドとネットワークアーキテクチャに焦点を当てており、クラスタリングの複雑なアプリケーションシナリオを無視している。
  論文  参考訳（メタデータ） (2022-10-09T02:31:32Z)
• 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)
• 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)
• 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)
• CycleCluster: Modernising Clustering Regularisation for Deep Semi-Supervised Classification [0.0]
  深層半教師付き分類のための新しいフレームワークであるCycleClusterを提案する。 我々のコア最適化は、グラフベースの擬似ラベルと共有深層ネットワークとともに、新たなクラスタリングベースの正規化によって推進されます。
  論文  参考訳（メタデータ） (2020-01-15T13:34:02Z)

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。