論文の概要: The Condition-Number Principle for Prototype Clustering

• arxiv url: http://arxiv.org/abs/2604.07744v1
• Date: Thu, 09 Apr 2026 03:03:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-10 18:34:05.65702
• Title: The Condition-Number Principle for Prototype Clustering
• Title（参考訳）: プロトタイプクラスタリングの条件-数理原理
• Authors: Romano Li, Jianfei Cao,
• Abstract要約: プロトタイプクラスタリングにおける客観的な精度と構造的回復を結びつける幾何学的枠組みを開発する。 クラスタ内スケールとクラスタ境界を越えてポイントを移動させるために必要な最小損失増加を比較するクラスタリング条件数を定義します。 クラスター境界付近でエラーが集中し, 十分に深いクラスタコアが, 局所的に強化されたマージンの下で正確に回収されることを示す。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We develop a geometric framework that links objective accuracy to structural recovery in prototype-based clustering. The analysis is algorithm-agnostic and applies to a broad class of admissible loss functions. We define a clustering condition number that compares within-cluster scale to the minimum loss increase required to move a point across a cluster boundary. When this quantity is small, any solution with a small suboptimality gap must also have a small misclassification error relative to a benchmark partition. The framework also clarifies a fundamental trade-off between robustness and sensitivity to cluster imbalance, leading to sharp phase transitions for exact recovery under different objectives. The guarantees are deterministic and non-asymptotic, and they separate the role of algorithmic accuracy from the intrinsic geometric difficulty of the instance. We further show that errors concentrate near cluster boundaries and that sufficiently deep cluster cores are recovered exactly under strengthened local margins. Together, these results provide a geometric principle for interpreting low objective values as reliable evidence of meaningful clustering structure.
• Abstract（参考訳）: プロトタイプクラスタリングにおける客観的な精度と構造的回復を結びつける幾何学的枠組みを開発する。 この分析はアルゴリズムに依存しないものであり、許容される損失関数の幅広いクラスに適用できる。 クラスタ内スケールとクラスタ境界を越えてポイントを移動させるために必要な最小損失増加を比較するクラスタリング条件数を定義する。 この量が小さい場合、小さな最適性ギャップを持つ任意の解は、ベンチマークパーティションに対して小さな誤分類誤差を持つ必要がある。 このフレームワークはまた、ロバスト性とクラスタの不均衡に対する感受性の基本的なトレードオフを明らかにし、異なる目的の下で正確なリカバリのための鋭い位相遷移をもたらす。 保証は決定論的かつ非漸近的であり、アルゴリズム的精度の役割を、本質的な幾何学的難易度から切り離す。 さらに, クラスタ境界付近でエラーが集中し, 十分に深いクラスタコアが, 強化されたローカルマージンの下で正確に回収されることを示す。 これらの結果は、意味のあるクラスタリング構造の信頼できる証拠として、低客観的な値を解釈するための幾何学的原理を提供する。

関連論文リスト

• K*-Means: A Parameter-free Clustering Algorithm [55.20132267309382]
  k*-meansは、kや他のパラメータをセットする必要がない新しいクラスタリングアルゴリズムである。 最小記述長の原理を用いて、クラスタの分割とマージによって最適なクラスタ数k*を自動的に決定する。 k*-平均が収束することが保証されることを証明し、kが未知のシナリオにおいて既存のメソッドよりも著しく優れていることを実験的に証明する。
  論文  参考訳（メタデータ） (2025-05-17T08:41:07Z)
• Hierarchical and Density-based Causal Clustering [6.082022112101251]
  本稿では,既成のアルゴリズムを用いて簡易かつ容易に実装可能なプラグイン推定器を提案する。 さらに,それらの収束率について検討し,因果クラスタリングの付加コストが基本的に結果回帰関数の推定誤差であることを示す。
  論文  参考訳（メタデータ） (2024-11-02T14:01:04Z)
• 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)
• Dirichlet Process-based Robust Clustering using the Median-of-Means Estimator [16.774378814288806]
  本稿では,モデルに基づく手法とセントロイド方式の長所を統合することにより,効率的かつ自動的なクラスタリング手法を提案する。 本手法は,クラスタリングの品質に及ぼすノイズの影響を緩和するが,同時にクラスタ数を推定する。
  論文  参考訳（メタデータ） (2023-11-26T19:01:15Z)
• 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)
• Perfect Spectral Clustering with Discrete Covariates [68.8204255655161]
  本稿では,大規模なスパースネットワークのクラスにおいて,高い確率で完全クラスタリングを実現するスペクトルアルゴリズムを提案する。 本手法は,スペクトルクラスタリングによる一貫した潜在構造回復を保証する最初の方法である。
  論文  参考訳（メタデータ） (2022-05-17T01:41:06Z)
• Clustering to the Fewest Clusters Under Intra-Cluster Dissimilarity Constraints [0.0]
  均等なクラスタリングは、密度も期待されるクラスの数にも依存せず、相似性の閾値にも依存します。 このクラスタリング問題に対する様々な実践的ソリューション間のトレードオフを特定するために,適切なクラスタリングアルゴリズムをレビューし,評価する。
  論文  参考訳（メタデータ） (2021-09-28T12:02:18Z)
• 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)

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。