論文の概要: A new completely parameter-free clustering algorithm for unsupervised classification of BATSE gamma-ray bursts

• arxiv url: http://arxiv.org/abs/2605.30175v1
• Date: Thu, 28 May 2026 16:23:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-30 02:45:56.531921
• Title: A new completely parameter-free clustering algorithm for unsupervised classification of BATSE gamma-ray bursts
• Title（参考訳）: BATSEガンマ線バーストの教師なし分類のための完全パラメータフリークラスタリングアルゴリズム
• Authors: Soumita Modak,
• Abstract要約: クラスター解析は、ガンマ線バースト(GRB)の集団のパターンを理解するために広く応用された機械学習技術である 現在のシナリオでは、微分可能群に対応するクラスタの数はいまだに対立している。 我々は,これまで試されていない方法でGRBの分類を行う「完全パラメータフリー」と呼ばれるクラスタリングの異なるストリームから,新たなアルゴリズムを提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Cluster analysis is a widely applied machine learning technique to understand the existing patterns in the population of gamma-ray bursts (GRBs), in order to explore their physical sources. In the present scenario, the number of clusters corresponding to differentiable groups is still under conflict, in spite of numerous attempts with the state-of-the-art clustering procedures. This crucial unknown parameter needs to be evaluated, either directly or indirectly in terms of other tuning parameters, to produce the clusters in GRBs through implementation of an appropriate clustering algorithm. While most of the applied algorithms reached two physically explained groups of merger and collapsar predominated by the short and long bursts respectively, other statistical approaches violated this binary partition. However, physical establishment of any additional cluster(s) is not yet confirmed. Therefore, we propose a new algorithm, from a different stream of clustering referred to as `completely parameter-free', which carries out the classification of GRBs in a manner that has not been tried so far. It indicates two main groups, of short and long duration bursts from the BATSE sample, compatible with the merger-collapsar theory.
• Abstract（参考訳）: クラスタ分析は、ガンマ線バースト(GRB)の集団における既存のパターンを理解するために広く応用された機械学習技術である。 現在のシナリオでは、最先端のクラスタリング手順に対する多くの試みにもかかわらず、微分可能群に対応するクラスタの数はいまだに対立している。 この重要な未知のパラメータは、適切なクラスタリングアルゴリズムを実装してGRB内のクラスタを生成するために、直接的または間接的に他のチューニングパラメータの観点から評価する必要がある。 適用されたアルゴリズムのほとんどは、それぞれ短いバーストと長いバーストで支配される2つの物理的に説明された合併と崩壊の群に達したが、他の統計的アプローチはこの二分分割に反した。 しかし、追加のクラスターの物理的確立はまだ確認されていない。 そこで本研究では,これまで試みられていない方法でGRBの分類を行う「完全パラメータフリー」と呼ばれるクラスタリングの異なるストリームから,新たなアルゴリズムを提案する。 これは、BATSEサンプルから短周期のバーストと長周期のバーストの2つの主要なグループを示し、マージ・コラプサー理論と互換性がある。

関連論文リスト

• A Pragmatic Method for Comparing Clusterings with Overlaps and Outliers [0.7646713951724009]
  一般的な設定では、検出された真理クラスタリングと地上の真理クラスタリングは、外れ値(クラスターに属さないオブジェクト)、重なり合うクラスタ(複数のクラスタに属するオブジェクト)、あるいはその両方を持つ。 本稿では,クラスタリングを重なり合いや外れ値と比較するための実用的類似度尺度を定義し,いくつかの望ましい特性を持つことを示すとともに,他のクラスタリング比較尺度に係わるいくつかの共通のバイアスには属さないことを実験的に確認する。
  論文  参考訳（メタデータ） (2026-02-16T15:51:09Z)
• Heterogeneous Multi-agent Multi-armed Bandits on Stochastic Block Models [8.668244156922809]
  ブロックモデルにより誘導されるクラスタ構造を持つ異種マルチエージェント・マルチエージェント・バンドイット問題について検討する。 本稿では,既知のクラスタ設定と未知のクラスタ設定の両方に適用可能な新しいアルゴリズムを提案する。 ガウス代入の報酬の下で、最適のインスタンス依存後悔上限$logT$を導出する。
  論文  参考訳（メタデータ） (2025-02-11T22:57:19Z)
• Revisiting Instance-Optimal Cluster Recovery in the Labeled Stochastic Block Model [85.51611950757643]
  IAC (Instance-Adaptive Clustering, インスタンス適応クラスタリング) を提案する。 IACは$ MathcalO(n, textpolylog(n) $の計算複雑性を維持しており、大規模問題に対してスケーラブルで実用的なものである。
  論文  参考訳（メタデータ） (2023-06-18T08:46:06Z)
• Bregman Power k-Means for Clustering Exponential Family Data [11.434503492579477]
  我々は、ブレグマン発散の下でのハードクラスタリングに関する古典的な研究のアルゴリズム的進歩を橋渡しする。 ブレグマン発散のエレガントな性質は、単純で透明なアルゴリズムで閉形式更新を維持できる。 シミュレーション実験の徹底的な実証分析と降雨データに関するケーススタディを考察し,提案手法はガウス以外の様々なデータ設定において,既存のピア手法よりも優れていることを示した。
  論文  参考訳（メタデータ） (2022-06-22T06:09:54Z)
• Optimal Clustering with Bandit Feedback [57.672609011609886]
  本稿では,バンディットフィードバックを用いたオンラインクラスタリングの問題点について考察する。 これは、NPハード重み付きクラスタリング問題をサブルーチンとして解決する必要性を回避するための、シーケンシャルなテストのための新しい停止規則を含む。 合成および実世界のデータセットの広範なシミュレーションを通して、BOCの性能は下界と一致し、非適応的ベースラインアルゴリズムよりも大幅に優れることを示す。
  論文  参考訳（メタデータ） (2022-02-09T06:05:05Z)
• 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)

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。