論文の概要: A novel k-means clustering approach using two distance measures for Gaussian data

• arxiv url: http://arxiv.org/abs/2511.17823v1
• Date: Fri, 21 Nov 2025 22:36:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-25 18:34:24.449253
• Title: A novel k-means clustering approach using two distance measures for Gaussian data
• Title（参考訳）: ガウスデータに対する2つの距離測度を用いた新しいk平均クラスタリング手法
• Authors: Naitik Gada,
• Abstract要約: クラスタリング分析は、生データの中に明瞭さと構造を見つける最良の方法の1つである。 本稿では,クラスタ内距離 (WCD) とクラスタ間距離 (ICD) の両方を距離距離として用いたテキストトク平均クラスタリングアルゴリズムを提案する。
• 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 have long been the topic of research, representing the more popular side of unsupervised learning. Since clustering analysis is one of the best ways to find some clarity and structure within raw data, this paper explores a novel approach to \textit{k}-means clustering. Here we present a \textit{k}-means clustering algorithm that takes both the within cluster distance (WCD) and the inter cluster distance (ICD) as the distance metric to cluster the data into \emph{k} clusters pre-determined by the Calinski-Harabasz criterion in order to provide a more robust output for the clustering analysis. The idea with this approach is that by including both the measurement metrics, the convergence of the data into their clusters becomes solidified and more robust. We run the algorithm with some synthetically produced data and also some benchmark data sets obtained from the UCI repository. The results show that the convergence of the data into their respective clusters is more accurate by using both WCD and ICD measurement metrics. The algorithm is also better at clustering the outliers into their true clusters as opposed to the traditional \textit{k} means method. We also address some interesting possible research topics that reveal themselves as we answer the questions we initially set out to address.
• Abstract（参考訳）: クラスタリングアルゴリズムは長い間研究のトピックであり、教師なし学習のより一般的な側面を表している。 クラスタリング分析は,生データ中の明瞭度や構造を明らかにするのに最適な方法の1つであるので,本論文は,‘textit{k}-meansクラスタリング’に対する新しいアプローチを探求する。 ここでは、クラスタリング解析のためのより堅牢な出力を提供するために、クラスタ内距離(WCD)とクラスタ間距離(ICD)の両方を、Calinski-Harabasz criterion によって事前に決定された \emph{k} クラスタにクラスタリングする距離メートル法を提案する。 このアプローチの考え方は、両方の測定基準を組み込むことで、クラスタへのデータの収束が固まり、より堅牢になる、というものです。 合成されたデータと、UCIリポジトリから得られたベンチマークデータセットを用いてアルゴリズムを実行する。 その結果,各クラスタへのデータの収束は,WCD測定とICD測定の両方を用いてより正確であることがわかった。 アルゴリズムはまた、従来の \textit{k} 平均法とは対照的に、アウトリーチを真のクラスタにクラスタリングするのに適している。 私たちはまた、最初に取り組んだ質問に答えるときに、自分自身を明らかにする、いくつかの興味深い研究トピックにも対処しています。

関連論文リスト

• 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)
• Linear time Evidence Accumulation Clustering with KMeans [0.0]
  この研究は、平均的なリンククラスタリングの振る舞いを模倣するトリックを記述する。 分割の密度を効率よく計算する方法を見つけ、二次的な複雑さから線形的な複雑さへのコストを削減した。 k平均結果は、計算コストを低く保ちながら、NMIの観点からは、最先端の技術に匹敵する。
  論文  参考訳（メタデータ） (2023-11-15T14:12:59Z)
• Rethinking k-means from manifold learning perspective [122.38667613245151]
  平均推定なしで直接データのクラスタを検出する新しいクラスタリングアルゴリズムを提案する。 具体的には,バタワースフィルタを用いてデータ点間の距離行列を構成する。 異なる視点に埋め込まれた相補的な情報をうまく活用するために、テンソルのSchatten p-norm正規化を利用する。
  論文  参考訳（メタデータ） (2023-05-12T03:01:41Z)
• An enhanced method of initial cluster center selection for K-means algorithm [0.0]
  K-meansアルゴリズムの初期クラスタ選択を改善するための新しい手法を提案する。 Convex Hullアルゴリズムは、最初の2つのセントロイドの計算を容易にし、残りの2つは、以前選択された中心からの距離に応じて選択される。 We obtained only 7.33%, 7.90%, and 0% clustering error in Iris, Letter, and Ruspini data。
  論文  参考訳（メタデータ） (2022-10-18T00:58:50Z)
• ck-means, a novel unsupervised learning method that combines fuzzy and crispy clustering methods to extract intersecting data [1.827510863075184]
  本稿では,2つの特徴以上の共通点を共有するデータをクラスタリングする手法を提案する。 この手法の主な考え方は、ファジィ C-Means (FCM) アルゴリズムを用いてファジィクラスタを生成することである。 このアルゴリズムはまた、シルエット指数(SI)によって与えられるクラスタの一貫性に従って、FCMとk平均アルゴリズムのための最適なクラスタ数を見つけることができる。
  論文  参考訳（メタデータ） (2022-06-17T19:29:50Z)
• K-Splits: Improved K-Means Clustering Algorithm to Automatically Detect the Number of Clusters [0.12313056815753944]
  本稿では,k-meansに基づく改良された階層型アルゴリズムであるk-splitsを紹介する。 提案手法の主な利点は,精度と速度である。
  論文  参考訳（メタデータ） (2021-10-09T23:02:57Z)
• Robust Trimmed k-means [70.88503833248159]
  本稿では,外乱点とクラスタポイントを同時に識別するRobust Trimmed k-means (RTKM)を提案する。 RTKMは他の方法と競合することを示す。
  論文  参考訳（メタデータ） (2021-08-16T15:49:40Z)
• 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。