論文の概要: LGBQPC: Local Granular-Ball Quality Peaks Clustering
- arxiv url: http://arxiv.org/abs/2505.11359v1
- Date: Fri, 16 May 2025 15:26:02 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-05-19 14:36:15.391124
- Title: LGBQPC: Local Granular-Ball Quality Peaks Clustering
- Title(参考訳): LGBQPC: 局所粒界品質ピーククラスタリング
- Authors: Zihang Jia, Zhen Zhang, Witold Pedrycz,
- Abstract要約: 密度ピーククラスタリング(DPC)アルゴリズムは、任意の形状のクラスタを検出する能力において、かなりの注目を集めている。
近年のDPCとグラニュラーボールコンピューティングの統合により、GBベースのDPCアルゴリズムが実現され、計算効率が向上した。
本稿では,ローカルGB品質ピーククラスタリング(LGBQPC)アルゴリズムを提案する。
- 参考スコア(独自算出の注目度): 51.58924743533048
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The density peaks clustering (DPC) algorithm has attracted considerable attention for its ability to detect arbitrarily shaped clusters based on a simple yet effective assumption. Recent advancements integrating granular-ball (GB) computing with DPC have led to the GB-based DPC (GBDPC) algorithm, which improves computational efficiency. However, GBDPC demonstrates limitations when handling complex clustering tasks, particularly those involving data with complex manifold structures or non-uniform density distributions. To overcome these challenges, this paper proposes the local GB quality peaks clustering (LGBQPC) algorithm, which offers comprehensive improvements to GBDPC in both GB generation and clustering processes based on the principle of justifiable granularity (POJG). Firstly, an improved GB generation method, termed GB-POJG+, is developed, which systematically refines the original GB-POJG in four key aspects: the objective function, termination criterion for GB division, definition of abnormal GB, and granularity level adaptation strategy. GB-POJG+ simplifies parameter configuration by requiring only a single penalty coefficient and ensures high-quality GB generation while maintaining the number of generated GBs within an acceptable range. In the clustering phase, two key innovations are introduced based on the GB k-nearest neighbor graph: relative GB quality for density estimation and geodesic distance for GB distance metric. These modifications substantially improve the performance of GBDPC on datasets with complex manifold structures or non-uniform density distributions. Extensive numerical experiments on 40 benchmark datasets, including both synthetic and publicly available datasets, validate the superior performance of the proposed LGBQPC algorithm.
- Abstract(参考訳): 密度ピーククラスタリング(DPC)アルゴリズムは、単純だが効果的な仮定に基づいて任意の形状のクラスタを検出する能力において、かなりの注目を集めている。
近年, DPC と GB-ball (GB) 計算の統合により, GB-based DPC (GBDPC) アルゴリズムが実現され, 計算効率が向上している。
しかし、GBDPCは複雑なクラスタリングタスク、特に複素多様体構造や非一様密度分布を持つデータを扱う際の制限を示す。
これらの課題を克服するため,本論文では,局所的なGB品質ピーククラスタリング(LGBQPC)アルゴリズムを提案する。
まず、GB-POJG+と呼ばれる改善されたGB生成法を開発し、目的関数、GB分割の終了基準、異常GBの定義、粒度レベル適応戦略の4つの主要な側面で元のGB-POJGを体系的に洗練する。
GB-POJG+は、単一のペナルティ係数だけでパラメータ構成を単純化し、許容範囲内で生成したGBの数を維持しながら高品質なGB生成を保証する。
クラスタリングフェーズでは, 密度推定のための相対的なGB品質と, GB距離測定のための測地距離という, GB k-アネレスト近傍グラフに基づく2つの重要なイノベーションが導入された。
これらの修正により、複雑な多様体構造や非一様密度分布を持つデータセット上でのGBDPCの性能が大幅に向上する。
合成データセットと公開データセットの両方を含む40のベンチマークデータセットに対する大規模な数値実験により、提案したLGBQPCアルゴリズムの優れた性能が検証された。
関連論文リスト
- Approximate Borderline Sampling using Granular-Ball for Classification Tasks [7.340676924771606]
近年, グラニュラーボール (GB) に基づくサンプリング手法は, 一般性や雑音の分類タスクにおいて有望な性能を示した。
本稿では,GB を用いた近似境界線サンプリング手法を提案する。
論文 参考訳(メタデータ) (2025-06-03T02:04:27Z) - PCE-GAN: A Generative Adversarial Network for Point Cloud Attribute Quality Enhancement based on Optimal Transport [56.56430888985025]
点雲品質向上のための生成逆ネットワーク(PCE-GAN)を提案する。
ジェネレータは、局所特徴抽出(LFE)ユニット、大域空間相関(GSC)ユニット、特徴圧縮ユニットからなる。
判別器は、強化点雲と原点雲の確率分布のずれを計算し、ジェネレータを誘導して高品質な再構成を実現する。
論文 参考訳(メタデータ) (2025-02-26T07:34:33Z) - 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) - GBCT: An Efficient and Adaptive Granular-Ball Clustering Algorithm for Complex Data [49.56145012222276]
粒状球クラスタリング(GBCT)と呼ばれる新しいクラスタリングアルゴリズムを提案する。
GBCTは、従来の点関係ではなく、グラニュラーボールの関係に従ってクラスタを形成する。
グラニュラーボールは様々な複雑なデータに適合するので、GBCTは従来のクラスタリング法よりも非球面データセットにおいてはるかに優れている。
論文 参考訳(メタデータ) (2024-10-17T07:32:05Z) - Rethinking and Accelerating Graph Condensation: A Training-Free Approach with Class Partition [49.41718583061147]
グラフ凝縮(Graph condensation)は、大きなグラフを小さいが情報的な凝縮グラフに置き換えるための、データ中心のソリューションである。
既存のGCメソッドは、複雑な最適化プロセス、過剰なコンピューティングリソースとトレーニング時間を必要とする。
我々は、CGC(Class-partitioned Graph Condensation)と呼ばれるトレーニング不要なGCフレームワークを提案する。
CGCはOgbn-productsグラフを30秒以内に凝縮し、102$Xから104$Xまでのスピードアップを実現し、精度は4.2%まで向上した。
論文 参考訳(メタデータ) (2024-05-22T14:57:09Z) - Generation of Granular-Balls for Clustering Based on the Principle of Justifiable Granularity [51.58924743533048]
本稿では,クラスタリングタスクのための新しいGB生成手法を紹介する。
GB のカバレッジと特異性を定義し,GB 品質を評価するための包括的尺度を導入する。
従来のGB生成手法と比較して、新しい手法は生成したGBの全体的な品質を最大化する。
論文 参考訳(メタデータ) (2024-05-11T04:21:32Z) - Gaussian Ensemble Belief Propagation for Efficient Inference in High-Dimensional Systems [3.6773638205393198]
高次元モデルにおける効率的な推論は、機械学習における中心的な課題である。
本稿では,Gaussian Ensemble Belief Propagation (GEnBP)アルゴリズムを紹介する。
本稿では,GEnBPが既存の信念手法よりも精度と計算効率で優れていることを示す。
論文 参考訳(メタデータ) (2024-02-13T03:31:36Z) - GBG++: A Fast and Stable Granular Ball Generation Method for Classification [17.7229704582645]
グラニュラーボールコンピューティングは効率的で堅牢でスケーラブルな学習方法である。
既存のGBG法の安定性と効率をさらに改善する必要がある。
まず, 高速かつ安定なGBG (GBG++) 手法を提案する。
論文 参考訳(メタデータ) (2023-05-29T04:00:19Z) - Fully and partially distributed Quantum Generalized Benders Decomposition for Unit Commitment Problems [12.20904743817675]
単位コミットメント(UC)問題に対処するために、ハイブリッド量子古典的一般化ベンダー分解(GBD)アルゴリズムを提案する。
集中型アプローチでは、量子GBDはマスター問題(MP)を量子コンピューティングに適した二次的制約のない2進最適化形式に変換する。
分散システムでは、分散コンセンサス量子GBDは、サブプロブレムを局所的なサブプロブレムに再構成する平均コンセンサス戦略を用いる。
論文 参考訳(メタデータ) (2022-10-13T02:26:27Z)
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。