論文の概要: Wittgenstein's Family Resemblance Clustering Algorithm

• arxiv url: http://arxiv.org/abs/2601.01127v1
• Date: Sat, 03 Jan 2026 09:16:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-06 16:25:22.043632
• Title: Wittgenstein's Family Resemblance Clustering Algorithm
• Title（参考訳）: Wittgenstein's Family Resemblance Clustering Algorithm
• Authors: Golbahar Amanpour, Benyamin Ghojogh,
• Abstract要約: 本稿では、機械学習のためのクラスタリングアルゴリズムを開発するために、分析哲学からウィトゲンシュタインの家族類似性の概念を引用する。 We propose the Wittgenstein's Family Resemblance (WFR) clustering algorithm and its kernel variant, kernel WFR。 WFRは, クラスタ数や仮定の事前知識を必要としない, 効果的な非線形クラスタリングアルゴリズムであることを示す。
• 参考スコア（独自算出の注目度）: 0.08594140167290097
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper, introducing a novel method in philomatics, draws on Wittgenstein's concept of family resemblance from analytic philosophy to develop a clustering algorithm for machine learning. According to Wittgenstein's Philosophical Investigations (1953), family resemblance holds that members of a concept or category are connected by overlapping similarities rather than a single defining property. Consequently, a family of entities forms a chain of items sharing overlapping traits. This philosophical idea naturally lends itself to a graph-based approach in machine learning. Accordingly, we propose the Wittgenstein's Family Resemblance (WFR) clustering algorithm and its kernel variant, kernel WFR. This algorithm computes resemblance scores between neighboring data instances, and after thresholding these scores, a resemblance graph is constructed. The connected components of this graph define the resulting clusters. Simulations on benchmark datasets demonstrate that WFR is an effective nonlinear clustering algorithm that does not require prior knowledge of the number of clusters or assumptions about their shapes.
• Abstract（参考訳）: 本稿では、フィロマティクスの新たな手法を導入し、分析哲学からウィトゲンシュタインの家族類似性の概念を取り入れ、機械学習のためのクラスタリングアルゴリズムを開発した。 Wittgenstein's Philosophical Investigations (1953) によれば、家族の類似性は、概念や圏のメンバーは単一の定義プロパティではなく、重複した類似性によって結びついているという。 その結果、エンティティのファミリーは、重複する特性を共有するアイテムの連鎖を形成する。 この哲学的考え方は当然、機械学習におけるグラフベースのアプローチに結びついている。 そこで我々は,Wittgenstein's Family Resemblance (WFR)クラスタリングアルゴリズムとそのカーネル変種であるカーネルWFRを提案する。 このアルゴリズムは、隣接するデータインスタンス間の類似度スコアを計算し、これらのスコアを閾値付けした後、類似度グラフを構築する。 このグラフの連結成分は、結果として生じるクラスタを定義する。 ベンチマークデータセットのシミュレーションにより、WFRはクラスタ数やそれらの形状に関する仮定の事前知識を必要としない効果的な非線形クラスタリングアルゴリズムであることが示された。

関連論文リスト

• The Origin of Self-Attention: Pairwise Affinity Matrices in Feature Selection and the Emergence of Self-Attention [1.2058143465239939]
  自己認識メカニズムは現在、Transformersのようなディープラーニングアーキテクチャの中心となっている。 本稿では,複数の領域にまたがる自己意識の概念的起源を追究する。 我々は、ペア関係を前提とした基盤構造は、両方のアプローチにまたがって維持されていると論じる。
  論文  参考訳（メタデータ） (2025-07-19T09:51:03Z)
• Reliable Node Similarity Matrix Guided Contrastive Graph Clustering [51.23437296378319]
  我々は、新しいフレームワーク、Reliable Node similarity Matrix Guided Contrastive Graph Clustering (NS4GC)を紹介した。 本手法は,ノード近傍のアライメントとセマンティック・アウェア・スパリフィケーションを導入し,ノード類似度行列が正確かつ効率的にスパースであることを保証する。
  論文  参考訳（メタデータ） (2024-08-07T13:36:03Z)
• HeNCler: Node Clustering in Heterophilous Graphs via Learned Asymmetric Similarity [48.62389920549271]
  HeNClerは、重み付けされたカーネル特異値分解に基づいてクラスタリング固有の目的を最適化することで類似性グラフを学習する。 提案手法は,非対称類似グラフ上でのスペクトルクラスタリングを可能にし,有向グラフと無向グラフの両方に柔軟性を提供する。
  論文  参考訳（メタデータ） (2024-05-27T11:04:05Z)
• Community detection in complex networks via node similarity, graph representation learning, and hierarchical clustering [4.264842058017711]
  コミュニティ検出は、実際のグラフを分析する上で重要な課題である。 この記事では,この課題に対処する3つの新しい階層型フレームワークを提案する。 ブロックモデルグラフと実生活データセットにおける100以上のモジュールの組み合わせを比較します。
  論文  参考訳（メタデータ） (2023-03-21T22:12:53Z)
• Object Type Clustering using Markov Directly-Follow Multigraph in Object-Centric Process Mining [2.3351527694849574]
  本稿では,Markov Directly-Follow Multigraphに基づくクラスタ類似のケース概念に対する新しいアプローチを提案する。 しきい値チューニングアルゴリズムは、異なるレベルの類似性に基づいて発見できる異なるクラスタの集合を特定するためにも定義される。
  論文  参考訳（メタデータ） (2022-06-22T12:36:46Z)
• Skew-Symmetric Adjacency Matrices for Clustering Directed Graphs [5.301300942803395]
  カットベースの有向グラフ(グラフ)クラスタリングは、しばしばクラスタ内あるいはクラスタ間の疎結合を見つけることに焦点を当てる。 フローベースのクラスタリングでは、クラスタ間のエッジは一方向を向く傾向にあり、マイグレーションデータ、フードウェブ、トレーディングデータに見出されている。
  論文  参考訳（メタデータ） (2022-03-02T20:07:04Z)
• ACTIVE:Augmentation-Free Graph Contrastive Learning for Partial Multi-View Clustering [52.491074276133325]
  部分的マルチビュークラスタリングの問題を解決するために,拡張自由グラフコントラスト学習フレームワークを提案する。 提案手法は、インスタンスレベルのコントラスト学習と欠落データ推論をクラスタレベルに高め、個々の欠落データがクラスタリングに与える影響を効果的に軽減する。
  論文  参考訳（メタデータ） (2022-03-01T02:32:25Z)
• Graph Contrastive Clustering [131.67881457114316]
  本稿では,クラスタリングタスクに適用可能な新しいグラフコントラスト学習フレームワークを提案し,gcc(graph constrastive clustering)法を考案した。 特に、グラフラプラシアンに基づくコントラスト損失は、より識別的かつクラスタリングフレンドリーな特徴を学ぶために提案されている。 一方で、よりコンパクトなクラスタリング割り当てを学ぶために、グラフベースのコントラスト学習戦略が提案されている。
  論文  参考訳（メタデータ） (2021-04-03T15:32:49Z)
• 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)
• Graph Neural Networks with Composite Kernels [60.81504431653264]
  カーネル重み付けの観点からノード集約を再解釈する。 本稿では,アグリゲーション方式における特徴類似性を考慮したフレームワークを提案する。 特徴空間における特徴類似性をエンコードするために,元の隣り合うカーネルと学習可能なカーネルの合成として特徴集約を提案する。
  論文  参考訳（メタデータ） (2020-05-16T04:44:29Z)
• A Fixed point view: A Model-Based Clustering Framework [1.713291434132985]
  本稿では,モデルに基づくクラスタリングについて再検討し,統一クラスタリングフレームワークを提案する。 固定点をクラスタ中心として見つけるために、フレームワークは反復的に縮尺マップを構築する。 固定ポイントフレームワークが将来のクラスタリングアルゴリズムの設計に役立つことを期待しています。
  論文  参考訳（メタデータ） (2020-02-19T07:06:47Z)

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。