論文の概要: GCAO: Group-driven Clustering via Gravitational Attraction and Optimization

• arxiv url: http://arxiv.org/abs/2510.23259v1
• Date: Mon, 27 Oct 2025 12:22:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-28 19:54:32.605803
• Title: GCAO: Group-driven Clustering via Gravitational Attraction and Optimization
• Title（参考訳）: GCAO: 重力アトラクションと最適化によるグループ駆動クラスタリング
• Authors: Qi Li, Jun Wang,
• Abstract要約: 本稿では,重力アトラクションと最適化(GCAO)によるグループ駆動クラスタリングを提案する。 GCAOは低密度境界点を協調移動群に集約し、従来の点ベースの収縮過程を置き換える。 複数の高次元データセットの実験により、GCAOは11の代表的なクラスタリング法より優れていることが示された。
• 参考スコア（独自算出の注目度）: 10.85103265888665
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Traditional clustering algorithms often struggle with high-dimensional and non-uniformly distributed data, where low-density boundary samples are easily disturbed by neighboring clusters, leading to unstable and distorted clustering results. To address this issue, we propose a Group-driven Clustering via Gravitational Attraction and Optimization (GCAO) algorithm. GCAO introduces a group-level optimization mechanism that aggregates low-density boundary points into collaboratively moving groups, replacing the traditional point-based contraction process. By combining local density estimation with neighborhood topology, GCAO constructs effective gravitational interactions between groups and their surroundings, enhancing boundary clarity and structural consistency. Using groups as basic motion units, a gravitational contraction strategy ensures globally stable and directionally consistent convergence. Experiments on multiple high-dimensional datasets demonstrate that GCAO outperforms 11 representative clustering methods, achieving average improvements of 37.13%, 52.08%, 44.98%, and 38.81% in NMI, ARI, Homogeneity, and ACC, respectively, while maintaining competitive efficiency and scalability. These results highlight GCAO's superiority in preserving cluster integrity, enhancing boundary separability, and ensuring robust performance on complex data distributions.
• Abstract（参考訳）: 従来のクラスタリングアルゴリズムは高次元および非均一な分散データに苦しむことが多く、低密度境界サンプルは近隣のクラスタによって容易に妨害され、不安定で歪んだクラスタリング結果をもたらす。 この問題に対処するために,GCAOアルゴリズムを用いたグループ駆動クラスタリングを提案する。 GCAOは、低密度境界点を協調的に動くグループに集約するグループレベルの最適化機構を導入し、従来の点ベースの収縮プロセスを置き換える。 局所密度推定と近傍トポロジーを組み合わせることで、GCAOは群とその周辺の効果的な重力相互作用を構築し、境界の明確さと構造的整合性を高める。 群を基本運動単位として用いることで、重力収縮戦略は世界規模で安定で方向的に一貫した収束を保証する。 複数の高次元データセットの実験により、GCAOは11の代表的なクラスタリング手法より優れており、競争効率とスケーラビリティを維持しながら、NMI、ARI、均一性、ACCの37.13%、52.08%、44.98%、38.81%の平均的な改善を実現している。 これらの結果は,クラスタの完全性を維持する上でのGCAOの優位性,境界分離性の向上,複雑なデータ分散におけるロバストなパフォーマンスの確保を浮き彫りにしている。

関連論文リスト

• Scalable Context-Preserving Model-Aware Deep Clustering for Hyperspectral Images [51.95768218975529]
  ハイパースペクトル画像(HSI)の教師なし解析にサブスペースクラスタリングが広く採用されている。 近年のモデル対応深層空間クラスタリング手法では、O(n2)の複雑性を持つ自己表現行列の計算とスペクトルクラスタリングを含む2段階のフレームワークを用いることが多い。 本稿では,HSIクラスタリングを効率的に行うために,局所構造と非局所構造を協調的にキャプチャする,ベース表現に基づく拡張性のあるコンテキスト保存深層クラスタリング手法を提案する。
  論文  参考訳（メタデータ） (2025-06-12T16:43:09Z)
• Fair Clustering via Alignment [12.12426896501947]
  クラスタリングにおけるアルゴリズムフェアネスは、与えられた機密属性に対して各クラスタに割り当てられたインスタンスの割合をバランスさせることを目的としている。 本稿では, 対物対物対物対物対物対物対物対物対物対物対物対物対物対物対物対物対物対物対物対物対物対物対物対物対物対物対物対物対物対物対物対物対物対物対物対物対物対物対物対物対
  論文  参考訳（メタデータ） (2025-05-14T04:29:09Z)
• Graph Probability Aggregation Clustering [5.377020739388736]
  本稿では,グローバルクラスタリング対象関数と局所クラスタリング制約を統一するグラフベースのファジィクラスタリングアルゴリズムを提案する。 GPACフレームワーク全体は多制約最適化問題として定式化され、ラグランジアン法を用いて解くことができる。 合成,実世界,ディープラーニングのデータセットを用いて行った実験は,GPACがクラスタリング性能において既存の最先端手法を超えるだけでなく,計算効率も優れていることを示した。
  論文  参考訳（メタデータ） (2025-02-27T09:11:32Z)
• 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)
• A3S: A General Active Clustering Method with Pairwise Constraints [66.74627463101837]
  A3Sは、適応クラスタリングアルゴリズムによって得られる初期クラスタ結果に対して、戦略的にアクティブクラスタリングを調整する。 さまざまな実世界のデータセットにわたる広範な実験において、A3Sは、人間のクエリを著しく少なくして、望ましい結果を達成する。
  論文  参考訳（メタデータ） (2024-07-14T13:37:03Z)
• 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)
• Deep Embedding Clustering Driven by Sample Stability [16.53706617383543]
  サンプル安定性(DECS)により駆動されるディープ埋め込みクラスタリングアルゴリズムを提案する。 具体的には、まずオートエンコーダで初期特徴空間を構築し、次にサンプル安定性に制約されたクラスタ指向の埋め込み機能を学ぶ。 5つのデータセットに対する実験結果から,提案手法は最先端のクラスタリング手法と比較して優れた性能を発揮することが示された。
  論文  参考訳（メタデータ） (2024-01-29T09:19:49Z)
• 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。