論文の概要: Affinity Graph Connectivity in Convex Clustering

• arxiv url: http://arxiv.org/abs/2605.24673v1
• Date: Sat, 23 May 2026 17:17:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-26 19:50:18.305729
• Title: Affinity Graph Connectivity in Convex Clustering
• Title（参考訳）: 凸クラスタリングにおける親和性グラフ接続性
• Authors: Sam Rosen, Jason Xu,
• Abstract要約: 凸クラスタリングのための有限サンプル境界を、目的に現れる親和性重みが一般連結グラフに対応するような設定に一般化する。 これらの境界とその分析は、データの背後にある様々な暗黙の接続構造の下でのクラスタリングの振る舞いをよりよく理解する。
• 参考スコア（独自算出の注目度）: 2.788593861900701
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We generalize finite-sample bounds for convex clustering to the setting where affinity weights appearing in the objective correspond to a general connected graph. These bounds and their analysis lead to a better understanding of clustering behavior under various implied connectivity structures behind the data and to new rates of convergence for centroid recovery. The new theoretical framework is based on random walks, which allow application of concentration inequalities related to random graph models, and formalizes the relationship between the clustering performance and the connectivity of the graph structures. Through the form of the bound and empirical results, we argue proper tuning of hyperparameters to convex clustering problems should also include tuning of input affinity weights.
• Abstract（参考訳）: 凸クラスタリングのための有限サンプル境界を、目的に現れる親和性重みが一般連結グラフに対応するような設定に一般化する。 これらの境界とその解析は、データの背後にある様々な暗黙接続構造の下でのクラスタリングの挙動をよりよく理解し、セントロイド回復のための新たな収束率をもたらす。 新しい理論的枠組みはランダムウォークに基づいており、ランダムグラフモデルに関連する濃度不等式を適用し、クラスタリング性能とグラフ構造の接続性との関係を定式化する。 有界および経験的な結果の形式を通じて、クラスタリング問題に対するハイパーパラメータの適切なチューニングは、入力親和性の重みのチューニングも含むべきであると論じる。

関連論文リスト

• Introducing the Correlation Concentration Ratio (CCR): Quantitative Framework for Comparing Quantum Cluster States [0.0]
  線形、正方形、T字形の位相を持つクラスター状態を生成する過程を体系的にモデル化した。 シミュレーションの結果,クラスタグラフ構造は2次相関のパターンに直接反映されていることがわかった。 CCRと呼ばれる計量は、系全体の相関関係に対してグラフエッジ上の有効相関の濃度を定量化する。
  論文  参考訳（メタデータ） (2026-04-25T11:50:43Z)
• Topology Identification and Inference over Graphs [61.06365536861156]
  グラフ上で進化するプロセスのトポロジの同定と推論は、脳、輸送、金融、電力、および社会的および情報ネットワークを含むタイムリーな応用に現れる。 本章では,多次元データに対するグラフトポロジ同定と統計的推測手法の概要について述べる。
  論文  参考訳（メタデータ） (2025-12-11T00:47:09Z)
• Quantum-Assisted Correlation Clustering [3.8448698053186843]
  この研究は、グラフベースの教師なし学習タスクである相関クラスタリングのためのハイブリッド量子古典的手法を導入する。 我々は、もともと連立構造生成のために設計された量子支援型解法GCS-Qを適用し、署名付きグラフにおけるクラスタ内合意を最大化する。 合成符号グラフと実世界のハイパースペクトル画像データに関する実証的な評価は、相関クラスタリングに適応すると、GCS-Qはロバスト性およびクラスタリング品質において古典的アルゴリズムより優れていることを示す。
  論文  参考訳（メタデータ） (2025-09-03T12:14:35Z)
• HeNCler: Node Clustering in Heterophilous Graphs via Learned Asymmetric Similarity [48.62389920549271]
  HeNClerは、重み付けされたカーネル特異値分解に基づいてクラスタリング固有の目的を最適化することで類似性グラフを学習する。 提案手法は,非対称類似グラフ上でのスペクトルクラスタリングを可能にし,有向グラフと無向グラフの両方に柔軟性を提供する。
  論文  参考訳（メタデータ） (2024-05-27T11:04:05Z)
• Stable Nonconvex-Nonconcave Training via Linear Interpolation [51.668052890249726]
  本稿では,ニューラルネットワークトレーニングを安定化(大規模)するための原理的手法として,線形アヘッドの理論解析を提案する。 最適化過程の不安定性は、しばしば損失ランドスケープの非単調性によって引き起こされるものであり、非拡張作用素の理論を活用することによって線型性がいかに役立つかを示す。
  論文  参考訳（メタデータ） (2023-10-20T12:45:12Z)
• 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)
• Clustering dynamics on graphs: from spectral clustering to mean shift through Fokker-Planck interpolation [0.0]
  データクラスタリングのための密度駆動型アルゴリズムと幾何学ベースのアルゴリズムを相互補完する統一フレームワークを構築します。 データグラフ上にFokker-Planck方程式を導入することにより、この接続を求める。 本研究では, 拡散写像系の挙動に関する新しい理論的知見を, サンプル値の大きい範囲で提示する。
  論文  参考訳（メタデータ） (2021-08-18T02:00:33Z)
• Amortized Probabilistic Detection of Communities in Graphs [39.56798207634738]
  そこで我々は,アモータイズされたコミュニティ検出のためのシンプルなフレームワークを提案する。 我々はGNNの表現力と最近のアモータイズクラスタリングの手法を組み合わせる。 我々は、合成および実データセットに関するフレームワークから、いくつかのモデルを評価する。
  論文  参考訳（メタデータ） (2020-10-29T16:18:48Z)

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。