論文の概要: Hierarchical topological clustering

• arxiv url: http://arxiv.org/abs/2601.00892v1
• Date: Wed, 31 Dec 2025 14:18:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-06 16:25:21.830251
• Title: Hierarchical topological clustering
• Title（参考訳）: 階層的トポロジカルクラスタリング
• Authors: Ana Carpio, Gema Duro,
• Abstract要約: 本稿では,任意の距離選択で実装可能な階層型トポロジカルクラスタリングアルゴリズムを提案する。 任意の形状の外れ値と集合の永続性は、結果の階層から推測される。
• 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: Topological methods have the potential of exploring data clouds without making assumptions on their the structure. Here we propose a hierarchical topological clustering algorithm that can be implemented with any distance choice. The persistence of outliers and clusters of arbitrary shape is inferred from the resulting hierarchy. We demonstrate the potential of the algorithm on selected datasets in which outliers play relevant roles, consisting of images, medical and economic data. These methods can provide meaningful clusters in situations in which other techniques fail to do so.
• Abstract（参考訳）: トポロジカルな手法は、その構造を仮定することなく、データ雲を探索する可能性を持っている。 本稿では,任意の距離選択で実装可能な階層型トポロジカルクラスタリングアルゴリズムを提案する。 任意の形状の外れ値と集合の永続性は、結果の階層から推測される。 我々は、画像、医療、経済データからなる、外来者が関連する役割を演じる選択されたデータセット上で、アルゴリズムのポテンシャルを実証する。 これらの手法は、他の手法がそうしない状況において有意義なクラスタを提供することができる。

関連論文リスト

• Topology-Driven Clustering: Enhancing Performance with Betti Number Filtration [14.904264782690639]
  絡み合った形状を含む複雑なデータセットのクラスタリングは、大きな課題となる。 トポロジカル構造からフレキシブルに不可欠な特徴を捉えるためにベッチ列の概念を導入する。 提案アルゴリズムは,データセットに含まれる複雑で絡み合った形状のクラスタリングに有効である。
  論文  参考訳（メタデータ） (2025-05-07T11:46:02Z)
• Hierarchical clustering with maximum density paths and mixture models [44.443538161979056]
  t-NEBは確率的に基底化された階層的クラスタリング法である。 自然な高次元データに対して最先端のクラスタリング性能が得られる。
  論文  参考訳（メタデータ） (2025-03-19T15:37:51Z)
• Hierarchical clustering with dot products recovers hidden tree structure [53.68551192799585]
  本稿では,階層構造の回復に着目した凝集クラスタリングアルゴリズムの新しい視点を提案する。 クラスタを最大平均点積でマージし、例えば最小距離やクラスタ内分散でマージしないような、標準的なアルゴリズムの単純な変種を推奨する。 このアルゴリズムにより得られた木は、汎用確率的グラフィカルモデルの下で、データ中の生成的階層構造をボナフェイド推定することを示した。
  論文  参考訳（メタデータ） (2023-05-24T11:05:12Z)
• Detection and Evaluation of Clusters within Sequential Data [58.720142291102135]
  Block Markov Chainsのクラスタリングアルゴリズムは理論的最適性を保証する。 特に、私たちのシーケンシャルデータは、ヒトのDNA、テキスト、動物運動データ、金融市場から派生しています。 ブロックマルコフ連鎖モデルの仮定は、実際に探索データ解析において有意義な洞察を得られることが判明した。
  論文  参考訳（メタデータ） (2022-10-04T15:22:39Z)
• Natural Hierarchical Cluster Analysis by Nearest Neighbors with Near-Linear Time Complexity [0.0]
  そこで本研究では,クラスタの自然な階層化を実現する,近接クラスタリングアルゴリズムを提案する。 集約的および分割的階層的クラスタリングアルゴリズムとは対照的に,我々のアプローチはアルゴリズムの反復的な動作に依存しない。
  論文  参考訳（メタデータ） (2022-03-15T16:03:42Z)
• 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)
• Structured Graph Learning for Clustering and Semi-supervised Classification [74.35376212789132]
  データの局所構造とグローバル構造の両方を保存するためのグラフ学習フレームワークを提案する。 本手法は, サンプルの自己表現性を利用して, 局所構造を尊重するために, 大域的構造と適応的隣接アプローチを捉える。 我々のモデルは、ある条件下でのカーネルk平均法とk平均法の組合せと等価である。
  論文  参考訳（メタデータ） (2020-08-31T08:41:20Z)
• Data Structures & Algorithms for Exact Inference in Hierarchical Clustering [41.24805506595378]
  本稿では,新しいトレリスデータ構造に基づく階層クラスタリングにおける表現型推論のための動的プログラミングアルゴリズムを提案する。 我々のアルゴリズムは時間と空間に比例してN$要素のパワーセットをスケールし、これは(2N-3)! 可能な階層のそれぞれを明示的に考慮するよりも指数関数的に効率的である。
  論文  参考訳（メタデータ） (2020-02-26T17:43:53Z)

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。