論文の概要: Towards Robust and Scalable Density-based Clustering via Graph Propagation

• arxiv url: http://arxiv.org/abs/2605.00390v1
• Date: Fri, 01 May 2026 04:26:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-04 17:43:28.842666
• Title: Towards Robust and Scalable Density-based Clustering via Graph Propagation
• Title（参考訳）: グラフプロパゲーションによるロバストかつスケーラブルな密度ベースクラスタリングを目指して
• Authors: Yingtao Zheng, Hugo Phibbs, Ninh Pham,
• Abstract要約: textitCluPropは、近傍グラフ上のラベル伝搬プロセスとして高次元空間における多様な密度クラスタリングを再現する。 我々は,拡張性のある地域識別を保証するために,決定論的密度に基づく伝播戦略を導入する。
• 参考スコア（独自算出の注目度）: 5.964436882344728
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: We present \textit{CluProp}, a novel framework that reimagines varied-density clustering in high-dimensional spaces as a label propagation process over neighborhood graphs. Our approach formally bridges the gap between density-based clustering and graph connectivity, leveraging efficient propagation mechanisms from network science to mitigate the parameter sensitivity inherent in traditional density-based methods. Specifically, we introduce a deterministic density-based propagation strategy to ensure scalable neighborhood identification. The framework is agnostic to the choice of distance metric and exhibits superior performance on large-scale data, processing millions of points in minutes while consistently outperforming existing baselines in accuracy.
• Abstract（参考訳）: 本稿では,近辺グラフ上のラベル伝搬過程として高次元空間における多様な密度クラスタリングを再現する新しいフレームワークである「textit{CluProp}」を提案する。 本手法は,従来の密度法に固有のパラメータ感度を緩和するために,ネットワーク科学からの効率的な伝播機構を活用することで,密度に基づくクラスタリングとグラフ接続のギャップを埋めるものである。 具体的には、拡張性のある地区識別を保証するために、決定論的密度に基づく伝播戦略を導入する。 このフレームワークは距離メトリックの選択に非依存であり、大規模データに対して優れた性能を示し、数分で数百万のポイントを処理し、既存のベースラインの精度を一貫して上回っている。

関連論文リスト

• Scalable Varied-Density Clustering via Graph Propagation [6.800113478497425]
  本研究では,近傍グラフのラベル伝播過程としてフレーミングすることで,高次元データに対する多様な密度クラスタリングの新たな視点を提案する。 本手法は,グラフ接続と密度ベースのクラスタリングを接続し,グラフの効率的な伝播手法を実現する。
  論文  参考訳（メタデータ） (2025-08-05T01:33:41Z)
• Fast Geometric Embedding for Node Influence Maximization [49.84018914962972]
  低次元空間にグラフを埋め込む効率的な力配置アルゴリズムを導入する。 アプリケーションとして、提案した埋め込みにより、ネットワーク内の高影響ノードを見つけることができ、標準のgreedyアルゴリズムの高速でスケーラブルな代替手段を提供することがわかった。
  論文  参考訳（メタデータ） (2025-06-09T05:21:56Z)
• Clustering Based on Density Propagation and Subcluster Merging [92.15924057172195]
  本稿では,クラスタ数を自動的に決定し,データ空間とグラフ空間の両方に適用可能な密度に基づくノードクラスタリング手法を提案する。 二つのノード間の距離を計算する従来の密度クラスタリング法とは異なり,提案手法は伝播過程を通じて密度を決定する。
  論文  参考訳（メタデータ） (2024-11-04T04:09:36Z)
• GraphFit: Learning Multi-scale Graph-Convolutional Representation for Point Cloud Normal Estimation [31.40738037512243]
  本研究では,非構造3次元点雲の高精度かつ効率的な正規推定法を提案する。 我々は、より局所的な近傍幾何学を強調する正規推定のためのグラフ畳み込み特徴表現を学習する。 提案手法は,様々なベンチマークデータセットにおいて,最先端の精度で競合より優れる。
  論文  参考訳（メタデータ） (2022-07-23T10:29:26Z)
• Data-heterogeneity-aware Mixing for Decentralized Learning [63.83913592085953]
  グラフの混合重みとノード間のデータ不均一性の関係に収束の依存性を特徴付ける。 グラフが現在の勾配を混合する能力を定量化する計量法を提案する。 そこで本研究では,パラメータを周期的かつ効率的に最適化する手法を提案する。
  論文  参考訳（メタデータ） (2022-04-13T15:54:35Z)
• Density-Based Clustering with Kernel Diffusion [59.4179549482505]
  単位$d$次元ユークリッド球のインジケータ関数に対応するナイーブ密度は、密度に基づくクラスタリングアルゴリズムで一般的に使用される。 局所分布特性と滑らかさの異なるデータに適応する新しいカーネル拡散密度関数を提案する。
  論文  参考訳（メタデータ） (2021-10-11T09:00:33Z)

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。