Fugu-MT 論文翻訳(概要): Synchronization-based clustering on the unit hypersphere

論文の概要: Synchronization-based clustering on the unit hypersphere

arxiv url: http://arxiv.org/abs/2603.05067v1
Date: Thu, 05 Mar 2026 11:30:01 GMT
ステータス: 翻訳完了
システム内更新日: 2026-03-06 22:06:11.204152
Title: Synchronization-based clustering on the unit hypersphere
Title（参考訳）: 単位超球面上の同期に基づくクラスタリング
Authors: Zinaid Kapić, Aladin Crnkić, Goran Mauša,
Abstract要約: 単位超球面上のクラスタリングは、様々な分野における基本的な問題である。従来のクラスタリング手法は必ずしも単位球データに適していない。本稿では,単位球面上の点として表されるデータをクラスタリングするための新しい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 on the unit hypersphere is a fundamental problem in various fields, with applications ranging from gene expression analysis to text and image classification. Traditional clustering methods are not always suitable for unit sphere data, as they do not account for the geometric structure of the sphere. We introduce a novel algorithm for clustering data represented as points on the unit sphere $\mathbf{S}^{d-1}$. Our method is based on the $d$-dimensional generalized Kuramoto model. The effectiveness of the introduced method is demonstrated on synthetic and real-world datasets. Results are compared with some of the traditional clustering methods, showing that our method achieves similar or better results in terms of clustering accuracy.
Abstract（参考訳）: 単位超球面上のクラスタリングは、遺伝子発現解析からテキストや画像の分類に至るまで、様々な分野における基本的な問題である。従来のクラスタリング法は、球の幾何学的構造を考慮しないため、必ずしも単位球データに適していない。単位球面$\mathbf{S}^{d-1}$上の点として表されるデータをクラスタリングするための新しいアルゴリズムを導入する。本手法は,$d$次元一般化倉本モデルに基づく。提案手法の有効性は,合成および実世界のデータセット上で実証される。その結果, 従来のクラスタリング手法と比較し, クラスタリング精度の点で, 類似あるいは良好な結果が得られることを示した。

関連論文リスト

A New Framework for Convex Clustering in Kernel Spaces: Finite Sample Bounds, Consistency and Performance Insights [27.253757893368387]
凸クラスタリング(英: Convex clustering)は、ロイドの$k$-means(英語版)に類似したセントロイドベースのアプローチに似た、よく考えられたクラスタリング法である。本稿では、データポイントを再生カーネル(RKHS)に変換するために、凸クラスタリング法のカーネル埋め込み拡張を提案する。
論文参考訳（メタデータ） (2025-11-07T11:24:22Z)
Scalable Context-Preserving Model-Aware Deep Clustering for Hyperspectral Images [51.95768218975529]
ハイパースペクトル画像(HSI)の教師なし解析にサブスペースクラスタリングが広く採用されている。近年のモデル対応深層空間クラスタリング手法では、O(n2)の複雑性を持つ自己表現行列の計算とスペクトルクラスタリングを含む2段階のフレームワークを用いることが多い。本稿では,HSIクラスタリングを効率的に行うために,局所構造と非局所構造を協調的にキャプチャする,ベース表現に基づく拡張性のあるコンテキスト保存深層クラスタリング手法を提案する。
論文参考訳（メタデータ） (2025-06-12T16:43:09Z)
Hyperoctant Search Clustering: A Method for Clustering Data in High-Dimensional Hyperspheres [0.0]
座標の符号(ハイパーロクタント)によって定義される空間の領域に適用される位相的アプローチに基づく新しいクラスタリング法を提案する。密度基準によれば、この方法はグラフの分割に基づいてデータポイントのクラスタを構築する。テキストマイニングにおいて重要な課題である話題検出の応用を選択する。
論文参考訳（メタデータ） (2025-03-10T23:41:44Z)
GBCT: An Efficient and Adaptive Granular-Ball Clustering Algorithm for Complex Data [49.56145012222276]
粒状球クラスタリング(GBCT)と呼ばれる新しいクラスタリングアルゴリズムを提案する。 GBCTは、従来の点関係ではなく、グラニュラーボールの関係に従ってクラスタを形成する。グラニュラーボールは様々な複雑なデータに適合するので、GBCTは従来のクラスタリング法よりも非球面データセットにおいてはるかに優れている。
論文参考訳（メタデータ） (2024-10-17T07:32:05Z)
Unified Multi-View Orthonormal Non-Negative Graph Based Clustering Framework [74.25493157757943]
我々は,非負の特徴特性を活用し,多視点情報を統合された共同学習フレームワークに組み込む,新しいクラスタリングモデルを定式化する。また、深層機能に基づいたクラスタリングデータに対するマルチモデル非負グラフベースのアプローチを初めて検討する。
論文参考訳（メタデータ） (2022-11-03T08:18:27Z)
Enhancing cluster analysis via topological manifold learning [0.3823356975862006]
クラスタ化前にデータセットのトポロジ構造を推定することで,クラスタ検出を大幅に向上させることができることを示す。位相構造を推定するための多様体学習法UMAPと密度に基づくクラスタリング法DBSCANを組み合わせた。
論文参考訳（メタデータ） (2022-07-01T15:53:39Z)
An adaptive granularity clustering method based on hyper-ball [11.35322380857363]
本手法は, 類似した分布を持つデータがハイパーボールとなり, 隣接するハイパーボールがクラスタとなるという考え方に基づいている。この手法は「大規模ファースト」の認知法則に基づき、単純で非パラメトリックな方法で形状を考慮せずにクラスターを識別することができる。
論文参考訳（メタデータ） (2022-05-29T07:44:09Z)
Local versions of sum-of-norms clustering [77.34726150561087]
本手法はボールモデルにおいて任意に閉じた球を分離できることを示す。我々は、不連結連結集合のクラスタリングで発生する誤差に定量的な有界性を証明した。
論文参考訳（メタデータ） (2021-09-20T14:45:29Z)
Spatially Coherent Clustering Based on Orthogonal Nonnegative Matrix Factorization [0.0]
本稿では,クラスタメンバシップ行列の総変動(TV)正規化手順に基づく作業クラスタリングモデルを紹介する。マトリックス支援レーザー脱離イオン化イメージング測定から得られた超スペクトルデータセット上の提案手法をすべて数値的に評価する。
論文参考訳（メタデータ） (2021-04-25T23:40:41Z)
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)
Conjoined Dirichlet Process [63.89763375457853]
我々はディリクレ過程に基づく新しい非パラメトリック確率的ビクラスタリング法を開発し、列と列の双方に強い共起を持つビクラスタを同定する。本手法はテキストマイニングと遺伝子発現解析の2つの異なる応用に適用し,既存の手法に比べて多くの設定でビクラスタ抽出を改善することを示す。
論文参考訳（メタデータ） (2020-02-08T19:41:23Z)

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。