論文の概要: Drawing Lines in Psychological Space: What K-means Clustering Reveals in Simulated and Real Psychometric Data

• arxiv url: http://arxiv.org/abs/2605.06989v1
• Date: Thu, 07 May 2026 22:10:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-11 19:43:38.648633
• Title: Drawing Lines in Psychological Space: What K-means Clustering Reveals in Simulated and Real Psychometric Data
• Title（参考訳）: 心理学空間における線引き:シミュレーションと実際の心理測定データにおけるK平均クラスタリングの発見
• Authors: Pedro Henrique Ramos Pinto, Maria Jullyanna Ferreira Marques, Luiz Carlos Serramo Lopez,
• Abstract要約: K平均のクラスタリングは、プロファイル、サブグループ、潜在的なタイプポロジーを識別するために、心理学的および心理学的な研究で広く用いられている。 本稿は、K-平均が真の部分群構造を持たない連続ガウス潜在空間においても安定かつ視覚的に整合なクラスタリング解を生成できると主張している。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: K-means clustering is widely used in psychological and psychometric research to identify profiles, subgroups, and potential typologies, yet its classical formulation does not test whether such groups exist as latent psychological categories. Instead, K-means partitions multidimensional space into regions around centroids, favoring compact, approximately spherical clusters defined by geometric distance. In this paper, we examine this limitation through a sequence of controlled simulated datasets. We then extend the analysis to the SMARVUS dataset, a large international psychometric dataset comprising survey responses from university students across 35 countries, to evaluate whether similar geometric partitioning patterns emerge in empirical psychological data. By contrasting simulated and empirical data, this paper argues that K-means can produce stable and visually coherent clustering solutions even in continuous Gaussian latent spaces without true subgroup structure.
• Abstract（参考訳）: K平均クラスタリングは、プロファイル、サブグループ、潜在的なタイプポロジーを特定するために心理学的および心理学的な研究で広く用いられているが、その古典的な定式化は、そのようなグループが潜在心理学的カテゴリーとして存在するかどうかを検証していない。 代わりに、K-平均は、多次元空間を遠心点の周りの領域に分割し、幾何学的距離で定義されるコンパクトで略球状クラスターを好む。 本稿では、制御されたシミュレーションデータセットのシーケンスを通して、この制限について検討する。 次に、35か国にわたる大学生のアンケート結果を含む大規模な国際心理測定データセットであるSMARVUSデータセットに分析を拡張し、同様の幾何学的分割パターンが経験的心理データに現れるかどうかを評価する。 シミュレーションおよび経験的データと対比することにより、K-平均は真の部分群構造を持たない連続ガウスラテント空間においても安定かつ視覚的に一貫性のあるクラスタリング解を生成できると主張している。

関連論文リスト

• A Mean Curvature Approach to Boundary Detection: Geometric Insights for Unsupervised Learning [52.452902154360565]
  本稿では,幾何学的機械学習に基づく新しい幾何学的フレームワークであるMean Curvature Boundary Points (MCBP)を紹介する。 MCBPはデータ多様体の固有曲率を明示的にモデル化し、原理化された多様体のパラメトリゼーションを必要としない点平均曲率を計算する。 合成および実世界のデータセットの実験により、MCBPはクラスタリング性能を一貫して改善することを示した。
  論文  参考訳（メタデータ） (2026-05-05T20:19:09Z)
• 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)
• Comparative analysis of unsupervised clustering techniques using validation metrics: Study on cognitive features from the Canadian Longitudinal Study on Aging (CLSA) [0.0]
  CLSAデータセットには、ベースラインとフォローアップアセスメントの両方で利用可能なデータを持つ18,891人の参加者が含まれている。 この分析で使用されるクラスタリング手法は、K-means(KM)クラスタリング、階層クラスタリング(HC)、およびPAM(Partitioning Around Medoids)である。 K平均とPAM(Partitioning Around Medoids)の3つのクラスタリング手法の結果を比較するために評価指標を使用した結果、同様の結果が得られた。
  論文  参考訳（メタデータ） (2025-04-07T21:13:51Z)
• 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)
• Interpretable Clustering with the Distinguishability Criterion [0.4419843514606336]
  本稿では,特定クラスタの分離可能性の定量化と推定クラスタ構成の検証を行うために,分散可能性基準と呼ばれるグローバルな基準を提案する。 本稿では、分散可能性基準と多くの一般的なクラスタリング手順を統合した損失関数に基づく計算フレームワークを提案する。 シミュレーション研究および実データアプリケーションに基づく包括的データ解析の結果とともに,これらの新しいアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-04-24T16:38:15Z)
• Fuzzy K-Means Clustering without Cluster Centroids [21.256564324236333]
  ファジィK平均クラスタリングは教師なしデータ分析において重要な手法である。 本稿では,クラスタセントロイドへの依存を完全に排除する,ファジィテクストK-Meansクラスタリングアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-04-07T12:25:03Z)
• Non-parametric Clustering of Multivariate Populations with Arbitrary Sizes [0.0]
  K群を同じ依存構造を持つ部分群に分類するクラスタリング手法を提案する。 数値的な研究と2つの実際のデータセットを通してクラスタリングアルゴリズムを説明します。
  論文  参考訳（メタデータ） (2022-11-11T16:38:29Z)
• Intrinsic dimension estimation for discrete metrics [65.5438227932088]
  本稿では,離散空間に埋め込まれたデータセットの内在次元(ID)を推定するアルゴリズムを提案する。 我々は,その精度をベンチマークデータセットで示すとともに,種鑑定のためのメダゲノミクスデータセットの分析に応用する。 このことは、列の空間の高次元性にもかかわらず、蒸発圧が低次元多様体に作用することを示唆している。
  論文  参考訳（メタデータ） (2022-07-20T06:38:36Z)
• Enhancing cluster analysis via topological manifold learning [0.3823356975862006]
  クラスタ化前にデータセットのトポロジ構造を推定することで,クラスタ検出を大幅に向上させることができることを示す。 位相構造を推定するための多様体学習法UMAPと密度に基づくクラスタリング法DBSCANを組み合わせた。
  論文  参考訳（メタデータ） (2022-07-01T15:53:39Z)

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。