Fugu-MT 論文翻訳(概要): Scalable Uncertainty Quantification for Black-Box Density-Based Clustering

論文の概要: Scalable Uncertainty Quantification for Black-Box Density-Based Clustering

arxiv url: http://arxiv.org/abs/2603.03188v1
Date: Tue, 03 Mar 2026 17:46:49 GMT
ステータス: 翻訳完了
システム内更新日: 2026-03-04 21:38:10.898152
Title: Scalable Uncertainty Quantification for Black-Box Density-Based Clustering
Title（参考訳）: ブラックボックス密度クラスタリングのためのスケーラブル不確実性定量化
Authors: Nicola Bariletto, Stephen G. Walker,
Abstract要約: クラスタリングにおける不確実性定量化のための新しいフレームワークを提案する。マルティンゲーレ後続パラダイムと密度に基づくクラスタリングを組み合わせることで、推定密度の不確かさはクラスタリング構造に自然に伝播する。
参考スコア（独自算出の注目度）: 3.5808917363708743
License: http://creativecommons.org/licenses/by/4.0/
Abstract: We introduce a novel framework for uncertainty quantification in clustering. By combining the martingale posterior paradigm with density-based clustering, uncertainty in the estimated density is naturally propagated to the clustering structure. The approach scales effectively to high-dimensional and irregularly shaped data by leveraging modern neural density estimators and GPU-friendly parallel computation. We establish frequentist consistency guarantees and validate the methodology on synthetic and real data.
Abstract（参考訳）: クラスタリングにおける不確実性定量化のための新しいフレームワークを提案する。マルティンゲール後続パラダイムと密度に基づくクラスタリングを組み合わせることで、推定密度の不確かさはクラスタリング構造に自然に伝播する。このアプローチは、現代のニューラル密度推定器とGPUフレンドリーな並列計算を活用して、高次元および不規則な形状のデータに効果的にスケールする。我々は、頻繁な一貫性の保証を確立し、その方法論を合成および実データ上で検証する。

関連論文リスト

Improving Semantic Uncertainty Quantification in LVLMs with Semantic Gaussian Processes [60.75226150503949]
本稿では,解答埋め込みの幾何学的構造を解析し,意味的不確実性を定量化するベイズ的枠組みを提案する。 S GPUは、生成した回答を密接なセマンティック空間にマッピングし、セマンティック埋め込みのグラム行列を計算し、セマンティック構成を要約する。我々は,SGPUがモデルとモダリティをまたいで転送されることを示し,そのスペクトル表現が意味的不確実性の一般的なパターンを捉えていることを示す。
論文参考訳（メタデータ） (2025-12-16T08:15:24Z)
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)
Almost Linear Time Consistent Mode Estimation and Quick Shift Clustering [0.0]
局所性感性ハッシュ(LSH)とQuick Shiftアルゴリズムを組み合わせた高次元空間における密度に基づくクラスタリング法を提案する。提案手法は、密度に基づくクラスタリングの一貫性を維持しながら、ほぼ線形時間複雑性を実現する。
論文参考訳（メタデータ） (2025-03-11T02:51:31Z)
Clustering Based on Density Propagation and Subcluster Merging [92.15924057172195]
本稿では,クラスタ数を自動的に決定し,データ空間とグラフ空間の両方に適用可能な密度に基づくノードクラスタリング手法を提案する。二つのノード間の距離を計算する従来の密度クラスタリング法とは異なり,提案手法は伝播過程を通じて密度を決定する。
論文参考訳（メタデータ） (2024-11-04T04:09:36Z)
Sobolev Space Regularised Pre Density Models [51.558848491038916]
本研究では,ソボレフ法則の正則化に基づく非パラメトリック密度推定法を提案する。この方法は統計的に一貫したものであり、帰納的検証モデルを明確かつ一貫したものにしている。
論文参考訳（メタデータ） (2023-07-25T18:47:53Z)
GFDC: A Granule Fusion Density-Based Clustering with Evidential Reasoning [22.526274021556755]
密度に基づくクラスタリングアルゴリズムは任意の形状のクラスタを検出できるため、広く適用されている。本稿では,GFDCを用いた粒界融合密度クラスタリングを提案する。サンプルの局所密度と大域密度は、まずスパース度測定によって測定される。次に、情報グラニュラーを高密度および低密度領域に生成し、大きな密度差を持つクラスタの処理を支援する。
論文参考訳（メタデータ） (2023-05-20T06:27:31Z)
Quantum Adaptive Fourier Features for Neural Density Estimation [0.0]
本稿では,カーネル密度推定の一種とみなすニューラル密度推定法を提案する。この方法は密度行列、量子力学で使われる形式主義、適応フーリエ特徴に基づいている。本手法は, 異なる合成および実データを用いて評価し, その性能を最先端のニューラル密度推定法と比較した。
論文参考訳（メタデータ） (2022-08-01T01:39:11Z)
Density Ratio Estimation via Infinitesimal Classification [85.08255198145304]
そこで我々は, DRE-inftyを提案する。 DRE-inftyは, 密度比推定(DRE)を, より簡単なサブプロブレムに還元する手法である。モンテカルロ法にインスパイアされ、中間ブリッジ分布の無限連続体を介して2つの分布の間を滑らかに補間する。提案手法は,複雑な高次元データセット上での相互情報推定やエネルギーベースモデリングなどの下流タスクにおいて良好に動作することを示す。
論文参考訳（メタデータ） (2021-11-22T06:26:29Z)
Density-Based Clustering with Kernel Diffusion [59.4179549482505]
単位$d$次元ユークリッド球のインジケータ関数に対応するナイーブ密度は、密度に基づくクラスタリングアルゴリズムで一般的に使用される。局所分布特性と滑らかさの異なるデータに適応する新しいカーネル拡散密度関数を提案する。
論文参考訳（メタデータ） (2021-10-11T09:00:33Z)
Featurized Density Ratio Estimation [82.40706152910292]
本研究では,2つの分布を推定前の共通特徴空間にマッピングするために,可逆生成モデルを活用することを提案する。この偉業化は、学習された入力空間の密度比が任意に不正確な場合、潜在空間において密度が密接な関係をもたらす。同時に、特徴写像の可逆性は、特徴空間で計算された比が入力空間で計算された比と同値であることを保証する。
論文参考訳（メタデータ） (2021-07-05T18:30:26Z)
Stable and consistent density-based clustering via multiparameter persistence [49.1574468325115]
トポロジカルデータ解析による次数-リップス構成について考察する。我々は,入力データの摂動に対する安定性を,通信間距離を用いて解析する。私たちはこれらのメソッドを、Persistableと呼ばれる密度ベースのクラスタリングのためのパイプラインに統合します。
論文参考訳（メタデータ） (2020-05-18T19:45:04Z)

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。