論文の概要: PASS: Ambiguity Guided Subsets for Scalable Classical and Quantum Constrained Clustering

• arxiv url: http://arxiv.org/abs/2601.20157v1
• Date: Wed, 28 Jan 2026 01:30:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-29 15:46:06.714685
• Title: PASS: Ambiguity Guided Subsets for Scalable Classical and Quantum Constrained Clustering
• Title（参考訳）: PASS: スケーラブルな古典的および量子制約クラスタリングのためのあいまいさガイド付きサブセット
• Authors: Pedro Chumpitaz-Flores, My Duong, Ying Mao, Kaixun Hua,
• Abstract要約: Pairwise-Constrained Clusteringは、 must-link (ML) と cannot-link (CL) の制約を強制することによって、教師なしのパーティショニングをサイド情報で強化する。 スケーラブルで高品質なクラスタリングソリューションを実現するとともに、MLおよびCL制約の満足度を保ちながら、ペアワイズ制約とあいまいさ駆動のサブセット選択フレームワークであるPASSを提案する。 PASSは、正確またはペナルティに基づく手法よりもかなり低コストで競争力のあるSSEを獲得し、以前のアプローチが失敗する体制でも有効である。
• 参考スコア（独自算出の注目度）: 3.4129039170001314
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Pairwise-constrained clustering augments unsupervised partitioning with side information by enforcing must-link (ML) and cannot-link (CL) constraints between specific samples, yielding labelings that respect known affinities and separations. However, ML and CL constraints add an extra layer of complexity to the clustering problem, with current methods struggling in data scalability, especially in niche applications like quantum or quantum-hybrid clustering. We propose PASS, a pairwise-constraints and ambiguity-driven subset selection framework that preserves ML and CL constraints satisfaction while allowing scalable, high-quality clustering solution. PASS collapses ML constraints into pseudo-points and offers two selectors: a constraint-aware margin rule that collects near-boundary points and all detected CL violations, and an information-geometric rule that scores points via a Fisher-Rao distance derived from soft assignment posteriors, then selects the highest-information subset under a simple budget. Across diverse benchmarks, PASS attains competitive SSE at substantially lower cost than exact or penalty-based methods, and remains effective in regimes where prior approaches fail.
• Abstract（参考訳）: Pairwise-Constrained Clusteringは、Miss-link(ML)とNot-link(CL)の制約を特定のサンプル間で強制することにより、教師なしのパーティショニングをサイド情報で強化し、既知の親和性と分離を尊重するラベル付けを提供する。 しかし、MLとCLの制約はクラスタリング問題に余分な複雑さをもたらし、特に量子や量子ハイブリッドクラスタリングのようなニッチなアプリケーションでは、現在のメソッドはデータのスケーラビリティに苦慮している。 スケーラブルで高品質なクラスタリングソリューションを実現するとともに、MLおよびCL制約の満足度を保ちながら、ペアワイズ制約とあいまいさ駆動のサブセット選択フレームワークであるPASSを提案する。 PASSはML制約を擬似点に分解し、2つのセレクタを提供する: 近境界点と全ての検出されたCL違反を収集する制約付きマージンルールと、ソフトアサイン後部からフィッシャー・ラオ距離で点を採点する情報幾何学ルール。 多様なベンチマークを通じて、PASSは、正確またはペナルティベースの手法よりもかなり低コストで競争力のあるSSEを実現し、以前のアプローチが失敗する体制でも有効である。

関連論文リスト

• ESMC: MLLM-Based Embedding Selection for Explainable Multiple Clustering [79.69917150582633]
  MLLM(Multi-modal large language model)は、ユーザ主導のクラスタリングを実現するために利用することができる。 本手法はまず,MLLMのテキストトークンの隠蔽状態が対応する特徴と強く関連していることを明らかにする。 また、擬似ラベル学習を付加した軽量クラスタリングヘッドを採用し、クラスタリング精度を大幅に向上させた。
  論文  参考訳（メタデータ） (2025-11-30T04:36:51Z)
• A Scalable Global Optimization Algorithm For Constrained Clustering [2.3915781021862332]
  制約付きクラスタリングは、クラスタリングのパフォーマンスと解釈可能性を改善するために、ペアワイズなマスタリンクと結び付きのない制約を使用する。 既存の混合整数最適化手法は小規模なデータセットに限られており、実用性は制限されている。 本稿では,必要結合されたサンプルをセントロイドベースの擬似サンプルに分解し,プルーネは幾何学的規則でリンクできない,分解可能な分岐結合フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-10-26T04:01:07Z)
• Unsupervised Conformal Inference: Bootstrapping and Alignment to Control LLM Uncertainty [49.19257648205146]
  生成のための教師なし共形推論フレームワークを提案する。 我々のゲートは、分断されたUPPよりも厳密で安定した閾値を提供する。 その結果は、ラベルのない、API互換の、テスト時間フィルタリングのゲートになる。
  論文  参考訳（メタデータ） (2025-09-26T23:40:47Z)
• Label-independent hyperparameter-free self-supervised single-view deep subspace clustering [0.0]
  ディープサブスペースクラスタリング(DSC)アルゴリズムは、ドメイン間で広く採用されるのを妨げるいくつかの課題に直面している。 本稿では,結合表現行列を用いたレイヤワイド自己表現損失を最小限に抑える一視点DSC手法を提案する。 提案手法は,顔,数字,オブジェクトを表す6つのデータセットに対して評価する。
  論文  参考訳（メタデータ） (2025-04-25T08:54:34Z)
• 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)
• Memetic Differential Evolution Methods for Semi-Supervised Clustering [0.8681835475119588]
  MDEClustの半教師付き最小二乗クラスタリング(MSSC)問題に対する拡張を提案する。 我々の新しいフレームワークであるS-MDEClustは、最適な実現可能なソリューションを生成するために設計された最初のメメカティックな方法論である。
  論文  参考訳（メタデータ） (2024-03-07T08:37:36Z)
• ConstraintMatch for Semi-constrained Clustering [32.92933231199262]
  制約クラスタリングにより、ペアの制約のみを使用して分類モデルのトレーニングが可能になる。 そこで本稿では,制約の少ない制約セットとともに大量のテキスト非制約データを利用できる半教師付きコンテキストを提案し,制約のないデータを活用するためのtextitConstraintMatchを提案する。
  論文  参考訳（メタデータ） (2023-11-26T19:31:52Z)
• Revisiting Instance-Optimal Cluster Recovery in the Labeled Stochastic Block Model [85.51611950757643]
  IAC (Instance-Adaptive Clustering, インスタンス適応クラスタリング) を提案する。 IACは$ MathcalO(n, textpolylog(n) $の計算複雑性を維持しており、大規模問題に対してスケーラブルで実用的なものである。
  論文  参考訳（メタデータ） (2023-06-18T08:46:06Z)

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。