論文の概要: Angular Constraint Embedding via SpherePair Loss for Constrained Clustering

• arxiv url: http://arxiv.org/abs/2510.06907v1
• Date: Wed, 08 Oct 2025 11:43:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-09 16:41:20.454371
• Title: Angular Constraint Embedding via SpherePair Loss for Constrained Clustering
• Title（参考訳）: 制約クラスタリングのための SpherePair Loss 経由のAngular Constraint Embedding
• Authors: Shaojie Zhang, Ke Chen,
• Abstract要約: 制約付きクラスタリングは、ペアワイズ制約を通じてドメイン知識を統合する。 既存の制約付きクラスタリング(DCC)手法は、エンドツーエンドのモデリングに固有のアンカーによって制限されるか、差別的なユークリッドの埋め込みを学ぶのに苦労する。 本稿では,SpherePair と呼ばれる新しい角度制約埋め込み手法を提案する。
• 参考スコア（独自算出の注目度）: 14.00293068731373
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Constrained clustering integrates domain knowledge through pairwise constraints. However, existing deep constrained clustering (DCC) methods are either limited by anchors inherent in end-to-end modeling or struggle with learning discriminative Euclidean embedding, restricting their scalability and real-world applicability. To avoid their respective pitfalls, we propose a novel angular constraint embedding approach for DCC, termed SpherePair. Using the SpherePair loss with a geometric formulation, our method faithfully encodes pairwise constraints and leads to embeddings that are clustering-friendly in angular space, effectively separating representation learning from clustering. SpherePair preserves pairwise relations without conflict, removes the need to specify the exact number of clusters, generalizes to unseen data, enables rapid inference of the number of clusters, and is supported by rigorous theoretical guarantees. Comparative evaluations with state-of-the-art DCC methods on diverse benchmarks, along with empirical validation of theoretical insights, confirm its superior performance, scalability, and overall real-world effectiveness. Code is available at \href{https://github.com/spherepaircc/SpherePairCC/tree/main}{our repository}.
• Abstract（参考訳）: 制約付きクラスタリングは、ペアワイズ制約を通じてドメイン知識を統合する。 しかし、既存のディープ制約クラスタリング(DCC)手法は、エンドツーエンドのモデリングに固有のアンカーや、ユークリッドの埋め込みを学習する際の苦労によって制限され、スケーラビリティと実世界の適用性を制限する。 それぞれの落とし穴を避けるため,SpherePairと呼ばれるDCCのための新しい角度制約埋め込み手法を提案する。 幾何学的定式化によるSpherePairの損失を利用して、ペアの制約を忠実に符号化し、角空間においてクラスタリングに親しみやすい埋め込みを導き、表現学習とクラスタリングを効果的に分離する。 SpherePairは、競合のないペアワイズ関係を保ち、クラスタの正確な数を指定する必要をなくし、不明なデータに一般化し、クラスタ数の迅速な推測を可能にし、厳密な理論的保証によって支えられている。 様々なベンチマークにおける最先端DCC法との比較評価と、理論的洞察の実証的検証により、その優れた性能、スケーラビリティ、および全体的な実世界の有効性が確認された。 コードは \href{https://github.com/spherepaircc/SpherePairCC/tree/main}{our repository} で公開されている。

関連論文リスト

• Graph-based Clustering Revisited: A Relaxation of Kernel $k$-Means Perspective [73.18641268511318]
  本稿では,クラスタリング結果を導出するための正規制約のみを緩和するグラフベースのクラスタリングアルゴリズムを提案する。 二重制約を勾配に変換するために、非負の制約をクラス確率パラメータに変換する。
  論文  参考訳（メタデータ） (2025-09-23T09:14:39Z)
• Constrained Centroid Clustering: A Novel Approach for Compact and Structured Partitioning [0.0]
  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。
  論文  参考訳（メタデータ） (2025-08-18T09:30:54Z)
• Imputation-free and Alignment-free: Incomplete Multi-view Clustering Driven by Consensus Semantic Learning [65.75756724642932]
  不完全なマルチビュークラスタリングでは、欠落したデータがビュー内のプロトタイプシフトとビュー間のセマンティック不整合を誘導する。 コンセンサスセマンティクス学習(FreeCSL)のためのIMVCフレームワークを提案する。 FreeCSLは、最先端の競合他社と比較して、IMVCタスクの信頼性と堅牢な割り当てを実現している。
  論文  参考訳（メタデータ） (2025-05-16T12:37:10Z)
• Revisiting Self-Supervised Heterogeneous Graph Learning from Spectral Clustering Perspective [52.662463893268225]
  自己教師付きヘテロジニアスグラフ学習(SHGL)は様々なシナリオにおいて有望な可能性を示している。 既存のSHGLメソッドには2つの大きな制限がある。 ランクと二重整合性制約によって強化された新しいフレームワークを導入する。
  論文  参考訳（メタデータ） (2024-12-01T09:33:20Z)
• 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)
• Enhancing Clustering Representations with Positive Proximity and Cluster Dispersion Learning [9.396177578282176]
  PIPCDRと呼ばれる新しいエンドツーエンドのディープクラスタリング手法を提案する。 PIPCDRは正のインスタンス近接損失とクラスタ分散正規化器を組み込んでいる。 エンドツーエンドのMajorize-MinimizationフレームワークにおけるPIPCDRの有効性を広範囲に検証する。
  論文  参考訳（メタデータ） (2023-11-01T06:12:02Z)
• Neural Capacitated Clustering [6.155158115218501]
  本稿では,クラスタセンターへのポイントの割り当て確率を予測するニューラルネットワークを学習する,容量クラスタリング問題(CCP)の新しい手法を提案する。 人工データと2つの実世界のデータセットに関する実験では、我々のアプローチは文学の最先端の数学的および解法よりも優れています。
  論文  参考訳（メタデータ） (2023-02-10T09:33:44Z)
• Constrained Clustering and Multiple Kernel Learning without Pairwise Constraint Relaxation [15.232192645789485]
  本稿では,データを協調的にクラスタリングし,利用可能なペアワイズ制約に従ってカーネルを学習する,制約付きクラスタリングアルゴリズムを提案する。 提案手法は,多種多様な公開データセットにおいて,既存の手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2022-03-23T17:07:53Z)
• Semi-supervised Domain Adaptive Structure Learning [72.01544419893628]
  半教師付きドメイン適応 (SSDA) は,1) アノテーションの低いデータに過度に適合する手法と,2) ドメイン間の分散シフトの両方を克服しなければならない課題である。 SSLとDAの協調を正規化するための適応型構造学習手法を提案する。
  論文  参考訳（メタデータ） (2021-12-12T06:11:16Z)

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。