論文の概要: Constrained Centroid Clustering: A Novel Approach for Compact and Structured Partitioning

• arxiv url: http://arxiv.org/abs/2508.12758v1
• Date: Mon, 18 Aug 2025 09:30:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-19 14:49:11.154967
• Title: Constrained Centroid Clustering: A Novel Approach for Compact and Structured Partitioning
• Title（参考訳）: Constrained Centroid Clustering: コンパクト・構造化分割のための新しいアプローチ
• Authors: Sowmini Devi Veeramachaneni, Ramamurthy Garimella,
• Abstract要約: Constrained Centroid Clustering (CCC) は、古典的なセントロイドクラスタリングを拡張する手法である。 CCCは、角構造を保持しながらラジアルスプレッドを減らすことで、よりコンパクトなクラスタを実現する。 提案手法は,センサネットワーク,協調ロボット工学,解釈可能なパターン解析など,分散制御による構造化クラスタリングを必要とするアプリケーションに適している。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper presents Constrained Centroid Clustering (CCC), a method that extends classical centroid-based clustering by enforcing a constraint on the maximum distance between the cluster center and the farthest point in the cluster. Using a Lagrangian formulation, we derive a closed-form solution that maintains interpretability while controlling cluster spread. To evaluate CCC, we conduct experiments on synthetic circular data with radial symmetry and uniform angular distribution. Using ring-wise, sector-wise, and joint entropy as evaluation metrics, we show that CCC achieves more compact clusters by reducing radial spread while preserving angular structure, outperforming standard methods such as K-means and GMM. The proposed approach is suitable for applications requiring structured clustering with spread control, including sensor networks, collaborative robotics, and interpretable pattern analysis.
• Abstract（参考訳）: 本稿では,クラスタ中心とクラスタの最遠点との最大距離に制約を課すことにより,古典的なセントロイドクラスタリングを拡張する手法であるConstrained Centroid Clustering (CCC)を提案する。 ラグランジュの定式化を用いて、クラスタスプレッドを制御しながら解釈可能性を維持する閉形式解を導出する。 CCCを評価するために、放射対称性と均一な角分布を持つ合成円形データの実験を行った。 リングワイド,セクターワイド,ジョイントエントロピーを評価指標として,角構造を保ちながらラジアルスプレッドを低減し,K平均やGMMなどの標準手法を上回り,よりコンパクトなクラスタを実現することを示す。 提案手法は,センサネットワーク,協調ロボット工学,解釈可能なパターン解析など,分散制御による構造化クラスタリングを必要とするアプリケーションに適している。

関連論文リスト

• Hyperbolic Fuzzy C-Means with Adaptive Weight-based Filtering for Efficient Clustering [14.904264782690639]
  Fuzzy $C$-Means (FCM) アルゴリズムは、非ユークリッド空間において顕著な制限を示す。 HypeFCMはファジィクラスタリングの原理と双曲幾何学を統合する。 HypeFCMは、非ユークリッド環境で従来のファジィクラスタリング法よりも大幅に優れている。
  論文  参考訳（メタデータ） (2025-05-07T11:32:53Z)
• 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)
• Gradient Based Clustering [72.15857783681658]
  本稿では,クラスタリングの品質を計測するコスト関数の勾配を用いて,距離に基づくクラスタリングの一般的な手法を提案する。 アプローチは反復的な2段階の手順(クラスタ割り当てとクラスタセンターのアップデートの代替)であり、幅広い機能に適用できる。
  論文  参考訳（メタデータ） (2022-02-01T19:31:15Z)
• (k, l)-Medians Clustering of Trajectories Using Continuous Dynamic Time Warping [57.316437798033974]
  本研究では,トラジェクトリの集中型クラスタリングの問題について考察する。 我々はDTWの連続バージョンを距離測定として使用することを提案し、これをCDTW(Continuous dynamic time warping)と呼ぶ。 一連の軌道から中心を計算し、その後反復的に改善する実践的な方法を示す。
  論文  参考訳（メタデータ） (2020-12-01T13:17:27Z)
• 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)

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。