論文の概要: Distributionally Robust K-Means Clustering

• arxiv url: http://arxiv.org/abs/2604.11118v1
• Date: Mon, 13 Apr 2026 07:32:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-14 20:13:16.399534
• Title: Distributionally Robust K-Means Clustering
• Title（参考訳）: 分散ロバストなK平均クラスタリング
• Authors: Vikrant Malik, Taylan Kargin, Babak Hassibi,
• Abstract要約: K平均のクラスタリングは、異常値、分布シフト、サンプルサイズに制限があることで知られている。 我々はそのような病態から保護する分布的に堅牢な変種を開発する。 トラクタブル双対は、ハード割り当てを滑らかに重み付けされたものに置き換えるソフトクラスタリングスキームを得る。
• 参考スコア（独自算出の注目度）: 18.037323759791658
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: K-means clustering is a workhorse of unsupervised learning, but it is notoriously brittle to outliers, distribution shifts, and limited sample sizes. Viewing k-means as Lloyd--Max quantization of the empirical distribution, we develop a distributionally robust variant that protects against such pathologies. We posit that the unknown population distribution lies within a Wasserstein-2 ball around the empirical distribution. In this setting, one seeks cluster centers that minimize the worst-case expected squared distance over this ambiguity set, leading to a minimax formulation. A tractable dual yields a soft-clustering scheme that replaces hard assignments with smoothly weighted ones. We propose an efficient block coordinate descent algorithm with provable monotonic decrease and local linear convergence. Experiments on standard benchmarks and large-scale synthetic data demonstrate substantial gains in outlier detection and robustness to noise.
• Abstract（参考訳）: K平均のクラスタリングは教師なしの学習の成果であるが、異常値、分布シフト、サンプルサイズに制限があることで知られている。 k-平均をロイズ--経験的分布の最大量子化とみなして、そのような病理から保護する分布的に堅牢な変種を開発する。 我々は、未知の個体群分布が、経験的分布の周りのワッサーシュタイン-2ボール内にあると仮定する。 この設定では、このあいまいさに対する最悪の2乗距離を最小限に抑えるクラスタセンターを求め、ミニマックスの定式化に繋がる。 トラクタブル双対は、ハード割り当てを滑らかに重み付けされたものに置き換えるソフトクラスタリングスキームを得る。 証明可能な単調減少と局所線形収束を考慮した効率的なブロック座標降下アルゴリズムを提案する。 標準ベンチマークと大規模合成データによる実験は、外乱検出とノイズに対する頑健性において著しく向上した。

関連論文リスト

• Nonparametric Kernel Clustering with Bandit Feedback [9.68728390492671]
  バンディットフィードバックによるクラスタリングは、クラスタリングアルゴリズムがアイテムをシーケンシャルにクエリしてノイズの多い観察を受信する、一連のアイテムを分割する問題を指す。 我々はカーネルベースのアプローチを導入し、非パラメトリック問題をヒルベルトカーネル空間(RKHS)への平均埋め込みをカーネルに従ってクラスタ化するタスクとして再構築する。 本稿では,アーム分布の最大平均誤差(MMD)とRKHSのばらつきに依存する問題に対して,信号対雑音比の概念を導入する。
  論文  参考訳（メタデータ） (2026-01-12T13:36:07Z)
• Optimal Robust Estimation under Local and Global Corruptions: Stronger Adversary and Smaller Error [10.266928164137635]
  アルゴリズムによる頑健な統計は伝統的に、サンプルのごく一部が任意に破損する汚染モデルに焦点を当ててきた。 最近の汚染モデルでは, (i) 古典的ロバスト統計のように, 任意の外れ値のごく一部と (ii) 局所摂動, (ii) サンプルが平均的に有界シフトを行うことのできる2種類の汚染モデルを考える。 理論上最適誤差は, 偶発的局所摂動モデルの下で, 時間内に得られることを示す。
  論文  参考訳（メタデータ） (2024-10-22T17:51:23Z)
• Theory on Score-Mismatched Diffusion Models and Zero-Shot Conditional Samplers [49.97755400231656]
  一般のスコアミスマッチ拡散サンプリング器に対する明示的な次元依存性を持つ最初の性能保証を示す。 その結果, スコアミスマッチは, 目標分布とサンプリング分布の分布バイアスとなり, 目標分布とトレーニング分布の累積ミスマッチに比例することがわかった。 この結果は、測定ノイズに関係なく、任意の条件モデルに対するゼロショット条件付きサンプリングに直接適用することができる。
  論文  参考訳（メタデータ） (2024-10-17T16:42:12Z)
• 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)
• A provable initialization and robust clustering method for general mixture models [6.806940901668607]
  クラスタリングは、異種データの存在下での統計機械学習の基本的なツールである。 最新の結果は、ガウス以下の誤差を伴うセントロイドの周りにデータが分散されている場合に、最適なラベルの誤りを保証することに焦点が当てられている。
  論文  参考訳（メタデータ） (2024-01-10T22:56:44Z)
• Clustering by the Probability Distributions from Extreme Value Theory [32.496691290725764]
  本稿では,クラスタの分布をモデル化するためにk-meansを一般化する。 GPDを用いて各クラスタの確率モデルを確立する。 我々はまた、GEV (Generalized Extreme Value) k-means(一般化極値)(GEV)と呼ばれる単純なベースラインも導入する。 特に、GEV k-平均はクラスタ構造を推定することもでき、したがって古典的なk-平均に対して合理的に振る舞うことができる。
  論文  参考訳（メタデータ） (2022-02-20T10:52:43Z)
• Computationally efficient sparse clustering [67.95910835079825]
  我々はPCAに基づく新しいクラスタリングアルゴリズムの有限サンプル解析を行う。 ここでは,ミニマックス最適誤クラスタ化率を,体制$|theta infty$で達成することを示す。
  論文  参考訳（メタデータ） (2020-05-21T17:51:30Z)
• Log-Likelihood Ratio Minimizing Flows: Towards Robust and Quantifiable Neural Distribution Alignment [52.02794488304448]
  そこで本研究では,対数様比統計量と正規化フローに基づく新しい分布アライメント手法を提案する。 入力領域の局所構造を保存する領域アライメントにおいて,結果の最小化を実験的に検証する。
  論文  参考訳（メタデータ） (2020-03-26T22:10:04Z)

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。

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。