論文の概要: When Fireflies Cluster; Enhancing Automatic Clustering via Centroid-Guided Firefly Optimization

• arxiv url: http://arxiv.org/abs/2605.18460v1
• Date: Mon, 18 May 2026 14:22:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-19 17:57:49.713737
• Title: When Fireflies Cluster; Enhancing Automatic Clustering via Centroid-Guided Firefly Optimization
• Title（参考訳）: セントロイド誘導火花最適化による自動火花クラスタリングの高速化
• Authors: MKA Ariyaratne, Azwirman Gusrialdi, Yury Nikulin, Jaakko Peltonen,
• Abstract要約: この研究は、データクラスタリングのためのFirefly Algorithm(FA)の新たな変種を示す。 非一様クラスタの形状、密度、クラスタ数の事前定義の必要性に苦労するK-Meansのような従来のメソッドの制限に対処する。 実験により,クラスタリングの品質が向上し,クラスタ内パス距離がK平均よりも小さくなった。
• 参考スコア（独自算出の注目度）: 2.929391519312015
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This work presents a novel variant of the Firefly Algorithm (FA) for data clustering, addressing limitations of traditional methods like K-Means that struggle with non-uniform cluster shapes, densities, and the need for pre-defining the number of clusters. The proposed algorithm introduces a centroid movement strategy and a multi-objective fitness function that balances compactness, separation, and a novel TSP-based navigation penalty. It automatically estimates the optimal number of clusters and dynamically adjusts cluster boundaries. Application to robotic sensor networks highlights its practical value, with experiments showing improved clustering quality and reduced intra-cluster path distances compared to K-Means. These results confirm the algorithm's robustness in complex spatial clustering tasks, with potential for future extensions to higher-dimensional and adaptive scenarios.
• Abstract（参考訳）: この研究は、データクラスタリングのためのFirefly Algorithm(FA)の新しい変種を示し、非一様クラスタの形状、密度、クラスタ数の事前定義の必要性に苦しむK-Meansのような従来の手法の制限に対処する。 提案アルゴリズムは, コンパクト性, 分離性, 新規なTSPに基づくナビゲーションペナルティのバランスをとる, 遠心運動戦略と多目的フィットネス機能を導入している。 クラスタの最適な数を自動で推定し、クラスタ境界を動的に調整する。 ロボットセンサネットワークへの適用は、K-Meansと比較してクラスタリング品質の向上とクラスタ内パス距離の削減を示す実験により、その実用的価値を強調している。 これらの結果は、複雑な空間クラスタリングタスクにおけるアルゴリズムの堅牢性を確認し、高次元および適応的なシナリオへの将来の拡張の可能性を示している。

関連論文リスト

• A Holistic Method for Superquadric Fitting Using Unsupervised Clustering Analysis [10.759776164959208]
  そこで本研究では, ノイズや降圧器の汚染下で, 点状雲にスーパークワッドリックを適合させる新しい手法を提案する。 本手法では,新たなクラスタリングの観点から問題を再定義する。 本稿では,収束解析の理論的証明を提供し,クラスタリングにインスパイアされたフィッティング法が局所的なミニマを回避できることを実証する。
  論文  参考訳（メタデータ） (2026-05-16T03:20:33Z)
• 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)
• A3S: A General Active Clustering Method with Pairwise Constraints [66.74627463101837]
  A3Sは、適応クラスタリングアルゴリズムによって得られる初期クラスタ結果に対して、戦略的にアクティブクラスタリングを調整する。 さまざまな実世界のデータセットにわたる広範な実験において、A3Sは、人間のクエリを著しく少なくして、望ましい結果を達成する。
  論文  参考訳（メタデータ） (2024-07-14T13:37:03Z)
• 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)
• Deep Embedding Clustering Driven by Sample Stability [16.53706617383543]
  サンプル安定性(DECS)により駆動されるディープ埋め込みクラスタリングアルゴリズムを提案する。 具体的には、まずオートエンコーダで初期特徴空間を構築し、次にサンプル安定性に制約されたクラスタ指向の埋め込み機能を学ぶ。 5つのデータセットに対する実験結果から,提案手法は最先端のクラスタリング手法と比較して優れた性能を発揮することが示された。
  論文  参考訳（メタデータ） (2024-01-29T09:19:49Z)
• 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)
• ClusterVO: Clustering Moving Instances and Estimating Visual Odometry for Self and Surroundings [54.33327082243022]
  ClusterVOはステレオビジュアルオドメトリーで、エゴと周囲の固いクラスタ/オブジェクトの両方の動きを同時にクラスタし、推定する。 以前のソリューションでは、バッチ入力やシーン構造や動的オブジェクトモデルへの事前の指示に頼っていたが、ClusterVOは一般的にオンラインであり、屋内のシーン理解や自律運転など、さまざまなシナリオで使用することができる。
  論文  参考訳（メタデータ） (2020-03-29T09:06:28Z)

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。