論文の概要: The Mass Agreement Score: A Point-centric Measure of Cluster Size Consistency

• arxiv url: http://arxiv.org/abs/2603.23581v1
• Date: Tue, 24 Mar 2026 14:22:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-26 21:06:10.956912
• Title: The Mass Agreement Score: A Point-centric Measure of Cluster Size Consistency
• Title（参考訳）: 質量合意スコア:クラスタサイズ一貫性のポイント中心測定
• Authors: Randolph Wiredu-Aidoo,
• Abstract要約: 本稿では,各クラスタのポイントの観点から,期待されるクラスタサイズの整合性を評価する点中心のメトリクスを紹介する。 その構造は設計によって断片となり、類似のスコアを類似のバルク構造を持つパーティションに割り当てる一方で、真のクラスター質量の再分配に敏感なままである。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In clustering, strong dominance in the size of a particular cluster is often undesirable, motivating a measure of cluster size uniformity that can be used to filter such partitions. A basic requirement of such a measure is stability: partitions that differ only slightly in their point assignments should receive similar uniformity scores. A difficulty arises because cluster labels are not fixed objects; algorithms may produce different numbers of labels even when the underlying point distribution changes very little. Measures defined directly over labels can therefore become unstable under label-count perturbations. I introduce the Mass Agreement Score (MAS), a point-centric metric bounded in [0, 1] that evaluates the consistency of expected cluster size as measured from the perspective of points in each cluster. Its construction yields fragment robustness by design, assigning similar scores to partitions with similar bulk structure while remaining sensitive to genuine redistribution of cluster mass.
• Abstract（参考訳）: クラスタリングにおいて、特定のクラスタサイズにおける強い優位性はしばしば望ましくないものであり、そのようなパーティションをフィルタリングするために使用できるクラスタサイズ均一性の尺度を動機付けている。 このような尺度の基本的な要件は安定性である: ポイント割り当てにおいてわずかに異なる分割は、同様の均一性スコアを受け取るべきである。 クラスタラベルは固定オブジェクトではないため、基礎となる点分布がほとんど変化しない場合でも、アルゴリズムは異なる数のラベルを生成する可能性がある。 したがってラベル上で直接定義された措置は、ラベルカウントの摂動の下で不安定になる可能性がある。 ここでは, [0, 1] に有界な点中心メートル法であるMass Agreement Score (MAS) を紹介し, 各クラスタの点から見た期待クラスタサイズの整合性を評価する。 その構造は設計によって断片的堅牢性をもたらし、類似のスコアを類似のバルク構造を持つパーティションに割り当てる一方で、真のクラスター質量の再分配に敏感なままである。

関連論文リスト

• kFuse: A novel density based agglomerative clustering [9.061140802902514]
  本稿では,kFuseと呼ばれる密度に基づく凝集クラスタリング手法を提案する。 kFuse は,(1) 自然近傍におけるサブクラスタ分割,(2) 隣接するサンプルと最短距離の計算によるサブクラスタ間の境界接続の決定,(3) 平均密度と分散の計算によるサブクラスタ間の密度類似性の評価,の4つの重要な構成要素から構成される。 合成と実世界の両方のデータセットの実験結果から、kFuseの有効性が検証された。
  論文  参考訳（メタデータ） (2025-05-09T03:11:04Z)
• 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)
• ABCDE: Application-Based Cluster Diff Evals [49.1574468325115]
  それは実用性を目指しており、アイテムはアプリケーション固有の重要な値を持つことができ、クラスタリングがどちらが優れているかを判断するときに人間の判断を使うのは粗悪であり、アイテムの任意のスライスのためのメトリクスを報告できる。 クラスタリング品質の差分を測定するアプローチは、高価な地平を前もって構築し、それに関して各クラスタリングを評価する代わりに、ABCDEはクラスタリング間の実際の差分に基づいて、判定のための質問をサンプリングする。
  論文  参考訳（メタデータ） (2024-07-31T08:29:35Z)
• Pointwise Metrics for Clustering Evaluation [0.0]
  本稿では、2つのクラスタリングの類似性を特徴付けるためのメトリクスの集合である、ポイントワイズクラスタリングメトリクスを定義する。 計量の定義は標準集合論の概念に基づいており、理解し易い。 メトリクスを個々のアイテム、クラスタ、任意のアイテムのスライス、全体的なクラスタリングに割り当てることが可能です。
  論文  参考訳（メタデータ） (2024-05-16T19:49:35Z)
• High-dimensional Clustering onto Hamiltonian Cycle [30.17605416237686]
  クラスタリングは、類似性に基づいてアンラベリングされたサンプルをグループ化することを目的としている。 本稿では,ハミルトンサイクル上での高次元クラスタリングという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） (2023-04-27T20:59:45Z)
• Anomaly Clustering: Grouping Images into Coherent Clusters of Anomaly Types [60.45942774425782]
  我々は異常クラスタリングを導入し、その目標はデータを異常型の一貫性のあるクラスタにまとめることである。 これは異常検出とは違い、その目標は異常を通常のデータから分割することである。 パッチベースの事前訓練されたディープ埋め込みとオフザシェルフクラスタリング手法を用いた,単純で効果的なクラスタリングフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-12-21T23:11:33Z)
• Sum-of-norms clustering does not separate nearby balls [49.1574468325115]
  我々は,データセットを一般的な測度に置き換えた,和和クラスタリングの連続的なバージョンを示す。 我々は,離散データポイントの場合においても,新たなクラスタリングの局所的特徴を記述し,証明する。
  論文  参考訳（メタデータ） (2021-04-28T13:35:17Z)

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。