論文の概要: ERICA: Quantifying Replicability of Cluster Analysis

• arxiv url: http://arxiv.org/abs/2606.00302v1
• Date: Fri, 29 May 2026 19:31:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-02 21:34:28.266944
• Title: ERICA: Quantifying Replicability of Cluster Analysis
• Title（参考訳）: ERICA:クラスタ分析の再現可能性の定量化
• Abstract要約: 本稿では,反復クラスタリング代入(ERICA)による複製性の評価という分析法を提案する。 パイプラインは、データセットに構造があるかどうかを記述する統計計算を行う。 合成データを用いて実験すると、クラスターが複製可能な方法で発見されていることが判明した。
• 参考スコア（独自算出の注目度）: 38.38650403765454
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Despite being ubiquitous in science, clustering remains a technique whose results are not quantitatively scrutinized via a framework. We present an analysis called evaluating replicability via iterative clustering assignments (ERICA) that is applied to a dataset to determine whether clusters are identified in a replicable manner. The pipeline computes a statistic that describes whether structure is found in a dataset. Quantitative visualization methods are presented to answer important questions such as the similarity between clusters, and the identity of points that may be outliers. When tested on synthetic data, the findings show clusters being discovered in a replicable manner. However, we note a possibility for non-replicable results when the pipeline is applied to three gene expression datasets for breast cancer subtype validation. The study underscores the need for rigorous inspection and offers a practical tool for doing so.
• Abstract（参考訳）: 科学においてユビキタスであるにもかかわらず、クラスタリングは、フレームワークを介して定量的に精査されていないテクニックである。 本稿では,反復クラスタリング代入(ERICA)を用いて複製可能性の評価を行い,クラスタが複製可能な方法で識別されるかどうかを判断する。 パイプラインは、データセットに構造があるかどうかを記述する統計計算を行う。 クラスタ間の類似性や、外れ値となる可能性のある点の同一性など、重要な疑問に答えるための定量的可視化手法が提示される。 合成データを用いて実験すると、クラスターが複製可能な方法で発見されていることが判明した。 しかし, 乳がんサブタイプ検証のための3つの遺伝子発現データセットにパイプラインを適用した場合, 非複製性を示す可能性が指摘された。 この研究は厳密な検査の必要性を強調し、それを行うための実用的なツールを提供する。

関連論文リスト

• Beyond Feature Importance: A Comparative Analysis of Pattern Detection Methods in Cluster Interpretation [3.8070256855916456]
  本研究では,クラスタリング結果におけるパターン検出のためのポストホック解析法の比較評価を行う。 LIME(Local Interpretable Model-Agnostic Explanations)と主成分分析(Principal component analysis)の3つの手法が広く用いられている。 その結果、各メソッドは関連する機能を回復できるが、どのパターンも常に検出できないことがわかった。
  論文  参考訳（メタデータ） (2026-08-06T11:00:50Z)
• Imputation Meets Clustering: Exploiting Latent Subgroup Structure for Missing Data Recovery [52.29866804948133]
  本稿では、クラスタリングと命令を相互に強化する共最適化プロセスとして再構築するフレームワークであるCAGI(Cluster-Aware Generative Imputation)を提案する。 14のベンチマークデータセットと15の代表的なベースラインの実験は、CAGIの優位性を実証している。
  論文  参考訳（メタデータ） (2026-07-08T02:50:02Z)
• Cluster LOCO: Feature Importance For Interpreting Clusters [5.6721325104114655]
  本稿では、クラスタリングにおけるモデルに依存しない特徴重要度スコアのファミリーであるCluster LOCOを紹介する。 任意の選択されたクラスタリングアルゴリズムに対して、Cluster LOCOは、その削除が一般化可能性をどの程度低下させるかを測定することで、機能の重要性を定量化する。 本稿では,Cluster LOCOが既存のクラスタリング特徴重要手法よりも情報的特徴をより確実に回復することを示す。
  論文  参考訳（メタデータ） (2026-06-12T16:10:26Z)
• Hierarchical Clustering With Confidence [6.479319856992936]
  集約的階層的クラスタリングは、データの小さな摂動に非常に敏感である。 階層的クラスタリングのランダム化は,安定性の測定だけでなく,有効な仮説テスト手順の設計にも有用であることを示す。
  論文  参考訳（メタデータ） (2025-12-06T18:18:20Z)
• Categorical Data Clustering via Value Order Estimated Distance Metric Learning [53.28598689867732]
  本稿では,分類属性を直感的に表現する新しい順序距離計量学習手法を提案する。 新しい共同学習パラダイムが開発され、クラスタリングとオーダー距離メートル法学習の代替となる。 提案手法は分類および混合データセットのクラスタリング精度に優れる。
  論文  参考訳（メタデータ） (2024-11-19T08:23:25Z)
• 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)
• GCC: Generative Calibration Clustering [55.44944397168619]
  本稿では,特徴学習と拡張をクラスタリングに組み込む新しいGCC法を提案する。 まず,実検体と実検体間の固有関係を識別する識別的特徴アライメント機構を開発する。 第二に、より信頼性の高いクラスタ割り当てを生成するための自己教師付きメトリック学習を設計する。
  論文  参考訳（メタデータ） (2024-04-14T01:51:11Z)
• TriSig: Assessing the statistical significance of triclusters [2.064612766965483]
  本研究は、テンソルデータのパターンの確率を評価するための統計的枠組みを提案し、ヌル期待から逸脱する。 偽陽性発見のための二項検定に関する総合的な議論が欠かせない。 バイオケミカルおよびバイオテクノロジー分野における、異なる実世界のケーススタディに対する最先端のトリクラスタリングアルゴリズムの適用から得られた結果。
  論文  参考訳（メタデータ） (2023-06-01T13:08:54Z)
• 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)
• Scalable Intervention Target Estimation in Linear Models [52.60799340056917]
  因果構造学習への現在のアプローチは、既知の介入目標を扱うか、仮説テストを使用して未知の介入目標を発見する。 本稿では、全ての介入対象を一貫して識別するスケーラブルで効率的なアルゴリズムを提案する。 提案アルゴリズムは、与えられた観測マルコフ同値クラスを介入マルコフ同値クラスに更新することも可能である。
  論文  参考訳（メタデータ） (2021-11-15T03:16:56Z)
• New advances in enumerative biclustering algorithms with online partitioning [80.22629846165306]
  さらに、数値データセットの列に定数値を持つ最大二クラスタの効率的で完全で正しい非冗長列挙を実現できる二クラスタリングアルゴリズムであるRIn-Close_CVCを拡張した。 改良されたアルゴリズムはRIn-Close_CVC3と呼ばれ、RIn-Close_CVCの魅力的な特性を保ちます。
  論文  参考訳（メタデータ） (2020-03-07T14:54:26Z)

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。