論文の概要: Single-pass Possibilistic Clustering with Damped Window Footprints
- arxiv url: http://arxiv.org/abs/2603.06889v1
- Date: Fri, 06 Mar 2026 21:17:51 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-10 15:13:13.383005
- Title: Single-pass Possibilistic Clustering with Damped Window Footprints
- Title（参考訳）: ダンプウインドウフットプリントを用いたシングルパス確率クラスタリング
- Authors: Jeffrey Dale, James Keller, Aquila Galusha,
- Abstract要約: 本稿では,新しいデータセットに適用し易い単一パス確率クラスタリング(SPC)アルゴリズムを提案する。
SPCはクラスタ純度と正規化相互情報に基づいて,他の5つのストリーミングクラスタリングアルゴリズムに対して検証を行う。
- 参考スコア（独自算出の注目度）: 0.19389881806157314
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Streaming clustering is a domain that has become extremely relevant in the age of big data, such as in network traffic analysis or in processing continuously-running sensor data. Furthermore, possibilistic models offer unique benefits over approaches from the literature, especially with the introduction of a "fuzzifier" parameter that controls how quickly typicality degrades as one gets further from cluster centers. We propose a single-pass possibilistic clustering (SPC) algorithm that is effective and easy to apply to new datasets. Key contributions of SPC include the ability to model non-spherical clusters, closed-form footprint updates over arbitrarily sized damped windows, and the employment of covariance union from the multiple hypothesis tracking literature to merge two cluster mean and covariance estimates. SPC is validated against five other streaming clustering algorithm on the basis of cluster purity and normalized mutual information.
- Abstract（参考訳）: ストリーミングクラスタリング(Streaming clustering)は、ネットワークトラフィック分析や継続的に実行されるセンサデータの処理など、ビッグデータの時代において極めて重要なドメインである。
さらに、確率論的モデルは、特に「ファジエータ」パラメータを導入して、クラスタセンターからさらに進むにつれて、典型性がいかに早く劣化するかを制御することで、文献からのアプローチに対して独自の利点を提供する。
本稿では,新しいデータセットに適用し易い単一パス確率クラスタリング(SPC)アルゴリズムを提案する。
SPCの主な貢献は、非球面クラスタのモデル化、任意の大きさの減衰窓上のクローズドフォームフットプリント更新、複数の仮説追跡文献からの共分散ユニオンの活用、2つのクラスタ平均と共分散推定のマージである。
SPCはクラスタ純度と正規化相互情報に基づいて,他の5つのストリーミングクラスタリングアルゴリズムに対して検証を行う。
関連論文リスト
- Robust Categorical Data Clustering Guided by Multi-Granular Competitive Learning [47.32771052588132]
ネストされた粒状クラスター効果は、カテゴリーデータの暗黙的な離散距離空間で顕著である。
本稿では,潜在的なクラスタが対話的に自分自身をチューニングできるマルチグラニュラ競合学習アルゴリズムを提案する。
提案手法は,マルチグラニュラクラスタのネスト分布の探索に有効であることを示す。
論文 参考訳（メタデータ） (2026-01-23T06:33:08Z) - One-Shot Hierarchical Federated Clustering [51.490181220883905]
本稿では,効率的な階層型クラスタリングフレームワークを提案する。
クライアント-エンドの分散探索とサーバ-エンドの分散アグリゲーションを実行する。
クライアント間の複雑なクラスタ分布を効率的に探索できることが判明した。
論文 参考訳（メタデータ） (2026-01-10T02:58:33Z) - You Can Trust Your Clustering Model: A Parameter-free Self-Boosting Plug-in for Deep Clustering [73.48306836608124]
DCBoostはパラメータフリーのプラグインで、現在のディープクラスタリングモデルのグローバルな特徴構造を強化するように設計されている。
本手法は, クラスタリング性能を効果的に向上することを目的としている。
論文 参考訳（メタデータ） (2025-11-26T09:16:36Z) - Adaptive and Robust DBSCAN with Multi-agent Reinforcement Learning [53.527506374566485]
本稿では,多エージェント強化学習クラスタフレームワーク,すなわちAR-DBSCANを用いた新しいAdaptive and Robust DBSCANを提案する。
我々は、AR-DBSCANが、NMIおよびARIメトリクスの最大144.1%と175.3%のクラスタリング精度を向上するだけでなく、支配的なパラメータを確実に見つけることができることを示した。
論文 参考訳（メタデータ） (2025-05-07T11:37:23Z) - Towards Learnable Anchor for Deep Multi-View Clustering [49.767879678193005]
本稿では,線形時間でクラスタリングを行うDeep Multi-view Anchor Clustering (DMAC)モデルを提案する。
最適なアンカーを用いて、全サンプルグラフを計算し、クラスタリングのための識別的埋め込みを導出する。
いくつかのデータセットの実験では、最先端の競合に比べてDMACの性能と効率が優れていることが示されている。
論文 参考訳（メタデータ） (2025-03-16T09:38:11Z) - Deep Online Probability Aggregation Clustering [2.5290726118393314]
本稿では,PAC(Probability Aggregation Clustering)と呼ばれるセンタレスクラスタリングアルゴリズムを提案する。
PACはクラスタ中心を回避し、クラスタリングを最適化問題として新しい目的関数で定式化し、確率空間と分布空間を整列する。
実験により、PACはクラスタリングの堅牢性と性能が優れており、DPACは最先端のディープクラスタリング手法よりも著しく優れていることが示された。
論文 参考訳（メタデータ） (2024-07-07T03:31:00Z) - Hierarchical Federated Learning in Multi-hop Cluster-Based VANETs [12.023861154677205]
本稿では,マルチホップクラスタリングに基づくVANET上での階層型フェデレーション学習(HFL)のための新しいフレームワークを提案する。
提案手法は,FLモデルパラメータの平均相対速度とコサイン類似度の重み付けをクラスタリング指標として用いる。
大規模なシミュレーションにより,クラスタ化VANET上での階層型フェデレーション学習が,精度と収束時間を大幅に向上させることを示した。
論文 参考訳（メタデータ） (2024-01-18T20:05:34Z) - Spatiotemporal k-means [39.98633724527769]
マルチスケールクラスタを解析できるk-means (STk) と呼ばれる2つの時間クラスタリング手法を提案する。
我々は、STkMがより複雑な機械学習タスク、特にビデオにおける関心の検出と追跡の教師なし領域にどのように拡張できるかを示す。
論文 参考訳（メタデータ） (2022-11-10T04:40:31Z) - Deep Conditional Gaussian Mixture Model for Constrained Clustering [7.070883800886882]
制約付きクラスタリングは、部分的にラベル付けされたデータの増加量に関する事前情報を利用することができる。
本稿では、直感的で解釈可能で、勾配変動推論の枠組みで効率的に訓練できる制約付きクラスタリングのための新しいフレームワークを提案する。
論文 参考訳（メタデータ） (2021-06-11T13:38:09Z)
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。