論文の概要: Minimum Description Length based Granular-Ball Tree Regularization for Spectral Clustering

• arxiv url: http://arxiv.org/abs/2605.22410v1
• Date: Thu, 21 May 2026 12:36:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-22 16:35:42.253694
• Title: Minimum Description Length based Granular-Ball Tree Regularization for Spectral Clustering
• Title（参考訳）: スペクトルクラスタリングのための最小記述長に基づく粒界木規則化
• Authors: Zeqiang Xian, Caihui Liu, Yong Zhang, Wenjing Qiu,
• Abstract要約: 本稿では,最小記述長に基づく粒界木規則化スペクトルクラスタリング法を提案する。 提案手法は, 局所的MDLモデル選択によるグラニュラーボールツリーの構築と, 信頼性の高い局所接続を断ち切るスプリットの回避に使用される相反する近傍連続性を実現する。 実データと合成データを用いた実験により,MDL-GBTRSC は適用された固定構成プロトコルの下で最高の平均 ARI と NMI を達成することが示された。
• 参考スコア（独自算出の注目度）: 5.432653808002268
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Spectral clustering largely depends on the affinity graph, yet constructing a graph that preserves reliable local connectivity while adapting to heterogeneous data structures remains challenging. Existing granular-ball-based spectral clustering methods usually reduce graph complexity by using coarse-grained representatives. However, the learned local regions are often treated as graph nodes or anchors, and their structural information is not sufficiently used to regularize the original sample-level graph. To address this issue, this paper proposes a Minimum Description Length based Granular-Ball Tree-Regularized Spectral Clustering method, termed MDL-GBTRSC. The proposed method constructs a granular-ball tree through local MDL model selection, with reciprocal neighborhood continuity used to discourage splits that break reliable local connections. The stable leaf balls obtained from the tree provide coding-scale information for regularizing the sample-level affinity graph. In addition, a shared-neighbor bridge code is introduced to adjust weak local bridge relations without requiring an additional user-specified threshold. In this way, MDL-GBTRSC connects interpretable local representation learning with affinity graph construction in a unified spectral clustering framework. Experiments on real and synthetic datasets show that MDL-GBTRSC achieves the best average ARI and NMI under the adopted fixed-configuration protocol compared with classical spectral clustering baselines and representative granular-ball, micro-cluster, and anchor-based methods.
• Abstract（参考訳）: スペクトルクラスタリングは親和性グラフに大きく依存するが、不均一なデータ構造に適応しながら信頼性の高い局所接続性を維持するグラフの構築は依然として困難である。 既存のグラニュラーボールベースのスペクトルクラスタリング法は、粗い粒度の代表を用いてグラフの複雑さを減少させるのが一般的である。 しかし、学習した局所領域はグラフノードやアンカーとして扱われることが多く、その構造情報は元のサンプルレベルグラフを正規化するのに十分ではない。 そこで本研究では,MDL-GBTRSCと呼ばれる,最小記述長に基づく粒界木規則化スペクトルクラスタリング手法を提案する。 提案手法は, 局所的MDLモデル選択によるグラニュラーボールツリーの構築と, 信頼性の高い局所接続を断ち切るスプリットの回避に使用される相反する近傍連続性を実現する。 木から得られる安定リーフボールは、サンプルレベルの親和性グラフを正規化するための符号化スケール情報を提供する。 さらに、ユーザ指定閾値を付加することなく、弱いローカルブリッジ関係を調整するために、共有隣り合うブリッジコードを導入している。 このようにして、MDL-GBTRSCは、統合スペクトルクラスタリングフレームワークにおいて、解釈可能な局所表現学習と親和性グラフ構築を結合する。 MDL-GBTRSCは、古典的なスペクトルクラスタリングベースラインや代表的グラニュラーボール、マイクロクラスタ、アンカーベース手法と比較して、固定構成プロトコルで最高の平均ARIとNMIを達成することを示す。

関連論文リスト

• Improving LLM Reasoning with Homophily-aware Structural and Semantic Text-Attributed Graph Compression [55.51959317490934]
  大規模言語モデル(LLM)は、テキスト分散グラフ(TAG)理解において有望な能力を示している。 グラフは本来、構造情報や意味情報を豊富に含むものであり、それらの有効利用はLLMの推論性能の潜在的な利益を解放する可能性があると論じる。 グラフホモフィリーの活用を目的としたフレームワーク LLMs (HS2C) のホモフィリー対応構造とセマンティック圧縮を提案する。
  論文  参考訳（メタデータ） (2026-01-13T03:35:18Z)
• Scalable Context-Preserving Model-Aware Deep Clustering for Hyperspectral Images [51.95768218975529]
  ハイパースペクトル画像(HSI)の教師なし解析にサブスペースクラスタリングが広く採用されている。 近年のモデル対応深層空間クラスタリング手法では、O(n2)の複雑性を持つ自己表現行列の計算とスペクトルクラスタリングを含む2段階のフレームワークを用いることが多い。 本稿では,HSIクラスタリングを効率的に行うために,局所構造と非局所構造を協調的にキャプチャする,ベース表現に基づく拡張性のあるコンテキスト保存深層クラスタリング手法を提案する。
  論文  参考訳（メタデータ） (2025-06-12T16:43:09Z)
• Advancing Local Clustering on Graphs via Compressive Sensing: Semi-supervised and Unsupervised Methods [3.7936990167037723]
  局所クラスタリングは、グラフの付加的な構造情報なしで、大きなグラフ内の特定のサブ構造を特定することを目的としている。 まず,ラベル付きデータが少ない場合に特定局所クラスタを特定する手法を提案し,これを半教師付き局所クラスタリングと呼ぶ。 次に、ラベルに関する事前情報がない場合に、このアプローチを教師なしの設定に拡張します。
  論文  参考訳（メタデータ） (2025-04-28T02:10:18Z)
• IsoSEL: Isometric Structural Entropy Learning for Deep Graph Clustering in Hyperbolic Space [57.036143666293334]
  グラフクラスタリングは、機械学習における長年のトピックである。 本稿では,K を含まない深層グラフクラスタリングという,現実の非均衡を考慮した問題について検討する。 深層グラフクラスタリングのための新しいIsoSELフレームワークを提案する。このフレームワークでは、双曲空間のローレンツモデルにおける分割木を学習するための双曲型ニューラルネットワークを設計する。
  論文  参考訳（メタデータ） (2025-04-14T08:21:41Z)
• Locally Regularized Sparse Graph by Fast Proximal Gradient Descent [6.882546996728011]
  本稿では,SRSG を短縮した新しい正規化スパースグラフを提案する。 スパースグラフは高次元データのクラスタリングに有効であることが示されている。 SRSGは他のクラスタリング手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2024-09-25T16:57:47Z)
• Clustering by Mining Density Distributions and Splitting Manifold Structure [2.3759432635713895]
  近年,スペクトルクラスタリングの効率向上のためのトップダウン手法が提案されている。 本稿では,局所構造からマイクロクラスターを得る方法を提案する。 その後、最終的なスペクトルクラスタリングのために、マイクロクラスタ間の新しい類似度尺度が提案される。
  論文  参考訳（メタデータ） (2024-08-20T02:22:59Z)
• MeanCut: A Greedy-Optimized Graph Clustering via Path-based Similarity and Degree Descent Criterion [0.6906005491572401]
  スペクトルクラスタリングは、優れたパフォーマンス、簡単な実装、強力な適応性のために人気があり、魅力的です。 我々は,MeanCutを目的関数として提案し,非破壊グラフ分割の次数降下順で厳密に最適化する。 本アルゴリズムの有効性は,実世界のベンチマークによる検証と顔認識の適用によって実証される。
  論文  参考訳（メタデータ） (2023-12-07T06:19:39Z)
• Local Sample-weighted Multiple Kernel Clustering with Consensus Discriminative Graph [73.68184322526338]
  マルチカーネルクラスタリング(MKC)は、ベースカーネルの集合から最適な情報融合を実現するためにコミットされる。 本稿では,新しい局所サンプル重み付きマルチカーネルクラスタリングモデルを提案する。 実験により, LSWMKCはより優れた局所多様体表現を有し, 既存のカーネルやグラフベースのクラスタリングアルゴリズムよりも優れていた。
  論文  参考訳（メタデータ） (2022-07-05T05:00:38Z)
• Local Graph Clustering with Network Lasso [90.66817876491052]
  局所グラフクラスタリングのためのネットワークLasso法の統計的および計算的性質について検討する。 nLassoによって提供されるクラスタは、クラスタ境界とシードノードの間のネットワークフローを通じて、エレガントに特徴付けられる。
  論文  参考訳（メタデータ） (2020-04-25T17:52:05Z)
• Robust spectral clustering using LASSO regularization [0.0]
  本稿では,ブロックモデルと密接な関係を持つ新しいランダムモデルを用いて,スペクトルクラスタリングの一種である1スペクトルクラスタリングを提案する。 その目標は、グラフの自然な構造を明らかにする1の最小化問題のスパース固有基底解を促進することである。
  論文  参考訳（メタデータ） (2020-04-08T07:12:56Z)

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。