論文の概要: EVINGCA: Adaptive Graph Clustering with Evolving Neighborhood Statistics

• arxiv url: http://arxiv.org/abs/2511.00064v2
• Date: Wed, 05 Nov 2025 07:06:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-06 13:56:26.157394
• Title: EVINGCA: Adaptive Graph Clustering with Evolving Neighborhood Statistics
• Title（参考訳）: EVINGCA: 周辺統計を進化させる適応的なグラフクラスタリング
• Authors: Randolph Wiredu-Aidoo,
• Abstract要約: クラスタリングアルゴリズムは、しばしば制限的な仮定に依存する。 EVINGCAは、クラスタ形成を適応的な非線形グラフ進化プロセスとして扱うグラフベースのクラスタリングアルゴリズムである。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Clustering algorithms often rely on restrictive assumptions: K-Means and Gaussian Mixtures presuppose convex, Gaussian-like clusters, while DBSCAN and HDBSCAN capture non-convexity but can be highly sensitive. I introduce EVINGCA (Evolving Variance-Informed Nonparametric Graph Construction Algorithm), a density-variance based clustering algorithm that treats cluster formation as an adaptive, evolving process on a nearest-neighbor graph. EVINGCA expands rooted graphs via breadth-first search, guided by continuously updated local distance and shape statistics, replacing fixed density thresholds with local statistical feedback. With spatial indexing, EVINGCA features log-linear complexity in the average case and exhibits competitive performance against baselines across a variety of synthetic, real-world, low-d, and high-d datasets.
• Abstract（参考訳）: K-Means と Gaussian Mixtures は凸、ガウス的クラスタを前提としており、DBSCAN と HDBSCAN は非凸性を捉えるが、非常に敏感である。 本稿では,クラスタ形成を最寄りのグラフ上で適応的かつ進化的なプロセスとして扱う密度分散に基づくクラスタリングアルゴリズムEVINGCAを紹介する。 EVINGCAは、局所的な距離と形状の統計を継続的に更新し、固定密度閾値を局所的な統計的フィードバックに置き換える。 空間索引付けにより、EVINGCAは平均的なケースでログ線形の複雑さを特徴とし、さまざまな合成、現実世界、低d、高dデータセットのベースラインに対する競争性能を示す。

関連論文リスト

• Quantum-Assisted Correlation Clustering [3.8448698053186843]
  この研究は、グラフベースの教師なし学習タスクである相関クラスタリングのためのハイブリッド量子古典的手法を導入する。 我々は、もともと連立構造生成のために設計された量子支援型解法GCS-Qを適用し、署名付きグラフにおけるクラスタ内合意を最大化する。 合成符号グラフと実世界のハイパースペクトル画像データに関する実証的な評価は、相関クラスタリングに適応すると、GCS-Qはロバスト性およびクラスタリング品質において古典的アルゴリズムより優れていることを示す。
  論文  参考訳（メタデータ） (2025-09-03T12:14:35Z)
• Scalable Varied-Density Clustering via Graph Propagation [6.800113478497425]
  本研究では,近傍グラフのラベル伝播過程としてフレーミングすることで,高次元データに対する多様な密度クラスタリングの新たな視点を提案する。 本手法は,グラフ接続と密度ベースのクラスタリングを接続し,グラフの効率的な伝播手法を実現する。
  論文  参考訳（メタデータ） (2025-08-05T01:33:41Z)
• Adaptive Homophily Clustering: Structure Homophily Graph Learning with Adaptive Filter for Hyperspectral Image [21.709368882043897]
  ハイパースペクトル画像(HSI)クラスタリングは、ゼロトレーニングラベルによる基本的だが難しい課題である。 本稿では,HSIのための適応フィルタクラスタリング法(AHSGC)を用いたホモフィリ構造グラフ学習を提案する。 AHSGCには高いクラスタリング精度、低い計算複雑性、強い堅牢性が含まれています。
  論文  参考訳（メタデータ） (2025-01-03T01:54:16Z)
• 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)
• Graph Out-of-Distribution Generalization with Controllable Data Augmentation [51.17476258673232]
  グラフニューラルネットワーク(GNN)は,グラフ特性の分類において異常な性能を示した。 トレーニングとテストデータの選択バイアスが原因で、分散偏差が広まっています。 仮想サンプルの分布偏差を測定するためのOODキャリブレーションを提案する。
  論文  参考訳（メタデータ） (2023-08-16T13:10:27Z)
• Distribution-Informed Adaptation for kNN Graph Construction [11.63039933401604]
  本稿では,適応kNNと分散対応グラフの構成を組み合わせた分散インフォームド適応kNNグラフ(DaNNG)を提案する。 DaNNGはあいまいなサンプルの性能を大幅に改善し、全体的な精度と一般化能力を向上させる。
  論文  参考訳（メタデータ） (2023-08-04T16:14:43Z)
• Data-heterogeneity-aware Mixing for Decentralized Learning [63.83913592085953]
  グラフの混合重みとノード間のデータ不均一性の関係に収束の依存性を特徴付ける。 グラフが現在の勾配を混合する能力を定量化する計量法を提案する。 そこで本研究では,パラメータを周期的かつ効率的に最適化する手法を提案する。
  論文  参考訳（メタデータ） (2022-04-13T15:54:35Z)
• Spatial-Spectral Clustering with Anchor Graph for Hyperspectral Image [88.60285937702304]
  本稿では、HSIデータクラスタリングのための空間スペクトルクラスタリングとアンカーグラフ(SSCAG)という新しい非監視アプローチを提案する。 提案されたSSCAGは最先端のアプローチと競合する。
  論文  参考訳（メタデータ） (2021-04-24T08:09:27Z)
• Spatial-spectral Hyperspectral Image Classification via Multiple Random Anchor Graphs Ensemble Learning [88.60285937702304]
  本稿では,複数のランダムアンカーグラフアンサンブル学習(RAGE)を用いた空間スペクトルHSI分類手法を提案する。 まず、各選択されたバンドのより記述的な特徴を抽出し、局所的な構造と領域の微妙な変化を保存するローカルバイナリパターンを採用する。 次に,アンカーグラフの構成に適応隣接代入を導入し,計算複雑性を低減した。
  論文  参考訳（メタデータ） (2021-03-25T09:31:41Z)
• Amortized Probabilistic Detection of Communities in Graphs [39.56798207634738]
  そこで我々は,アモータイズされたコミュニティ検出のためのシンプルなフレームワークを提案する。 我々はGNNの表現力と最近のアモータイズクラスタリングの手法を組み合わせる。 我々は、合成および実データセットに関するフレームワークから、いくつかのモデルを評価する。
  論文  参考訳（メタデータ） (2020-10-29T16:18:48Z)

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。