論文の概要: Semi-Supervised Hyperbolic Hierarchical Clustering with Set-Level Structural Priors

• arxiv url: http://arxiv.org/abs/2606.01525v1
• Date: Mon, 01 Jun 2026 01:14:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-02 21:34:29.765901
• Title: Semi-Supervised Hyperbolic Hierarchical Clustering with Set-Level Structural Priors
• Title（参考訳）: 半スーパービジョン型ハイパーボリック階層クラスタリングとセットレベル構造優先
• Authors: Junjing Zheng, Xinyu Zhang, Xiangfeng Qiu, Chengliang Song, Weidong Jiang,
• Abstract要約: 半教師付き階層クラスタリングは、データパターンとユーザが提供する監視と整合したツリー構造を学ぶことを目的としている。 本稿では, 半教師付きハイパーボリック階層クラスタリング手法を提案する。 実験により,提案手法は階層的クラスタリングベースラインよりも連続的にラベルの整合性を向上させることが示された。
• 参考スコア（独自算出の注目度）: 6.266139801172993
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Semi-supervised hierarchical clustering aims to learn a tree structure consistent with data patterns and user-provided supervision. Supervision is usually given as leaf-level relations, such as pairwise must-link/cannot-link constraints or triplet-wise must-link-before constraints. Although useful for regulating local sample relations, such supervision does not directly indicate which samples should form coherent subtrees. Consequently, the non-leaf structure of the learned tree may deviate from the hierarchical organization preferred by ground-truth labels. To address this limitation, we propose a semi-supervised hyperbolic hierarchical clustering method with set-level structural priors. The main contribution is to introduce sets as basic modeling units for hierarchy learning. Each set denotes samples expected to cohere within a subtree and is induced from leaf-level supervision together with a learned constraint-consistent similarity structure. These sets act as soft structural priors for subtree-level supervision, allowing supervision to guide non-leaf hierarchy formation beyond local leaf-level relations. Specifically, we first learn constraint-consistent embeddings to obtain a reliable set partition, then construct constraint-induced sets and estimate inter-set similarities to form set-level structural priors. Finally, these priors are incorporated into a hyperbolic hierarchy objective for continuous tree optimization. Experiments on eleven benchmark datasets and ablation studies show that the proposed method consistently improves label consistency over representative hierarchical clustering baselines while also enhancing similarity-based tree quality.
• Abstract（参考訳）: 半教師付き階層クラスタリングは、データパターンとユーザが提供する監視と整合したツリー構造を学ぶことを目的としている。 スーパービジョンは通常、ペアワイド・マスタリンク/カンノットリンク制約やトリプルトワイド・マスタリンク前制約など、リーフレベルの関係として与えられる。 局所的なサンプル関係の調節には有用であるが、このような監督は、どのサンプルがコヒーレントなサブツリーを形成するべきかを直接は示していない。 その結果、学習木の非リーフ構造は、基底構造ラベルが好む階層構造から逸脱する可能性がある。 この制限に対処するために,設定レベル構造を持つ半教師付き双曲階層クラスタリング法を提案する。 主な貢献は、階層学習の基本的なモデリング単位としてセットを導入することである。 各集合は、サブツリー内で結束すると予想されるサンプルを表し、学習された制約-一貫性類似性構造とともに葉面の監督から誘導される。 これらのセットは、サブツリーレベルの監視のためのソフトな構造的先行として機能し、ローカルリーフレベルの関係を超えて、非リーフ階層の形成を導くことができる。 具体的には、まず制約に一貫性のある埋め込みを学習し、信頼された集合分割を取得し、次に制約によって引き起こされた集合を構築し、セット間の類似性を推定し、セットレベルの構造的前提を形成する。 最後に、これらの先行は、連続木最適化のための双曲的階層の目的に組み込まれる。 11のベンチマークデータセットとアブレーション実験により、提案手法は、相似性に基づく木質の向上とともに、代表的階層的クラスタリングベースラインに対するラベルの一貫性を一貫して向上することを示した。

関連論文リスト

• Online Continual Learning with Dynamic Label Hierarchies [72.33335166136045]
  粒度をまたいで重大度が進化する新しい問題設定であるDHOCLを導入し,各サンプルは単一階層レベルでの監視を行う。 i) 混合粒度の部分的監視は、塑性を制約し、階層間のセマンティック一貫性を損なう、進化するパスワイド階層上のポイントワイド信号のみを提供する。 本稿では,相補的分類を適応的に組み合わせ,学習可能な階層型プロトタイプによって正規化し,素早い適応,階層的整合性,構造的知識の統合を可能にするHALOを提案する。
  論文  参考訳（メタデータ） (2026-05-12T08:20:23Z)
• Learning Order Forest for Qualitative-Attribute Data Clustering [52.612779710298526]
  本稿では,属性内定性値間の局所的な順序関係を柔軟に表現する木のような距離構造を探索する。 より適切な木構造とクラスタを反復的に獲得するために,共同学習機構を提案する。 実験により、共同学習は森林をクラスタリングタスクに適応させ、正確な結果を得ることを示した。
  論文  参考訳（メタデータ） (2026-03-03T07:49:50Z)
• Learning Consistent Taxonomic Classification through Hierarchical Reasoning [61.372270953201955]
  分類学分類における葉レベル精度と階層的整合性を改善するための2段階階層型推論フレームワークを提案する。 我々のフレームワークはQwen2.5-VL-7Bモデルで実装され、葉レベルと階層的整合性の両方で元の72Bを10%以上上回っている。
  論文  参考訳（メタデータ） (2026-01-21T03:00:00Z)
• Hierarchical Linkage Clustering Beyond Binary Trees and Ultrametrics [11.198418635553976]
  本稿では,有効階層の概念を導入し,有効階層の集合上の部分順序を定義する。 我々は、データセットの類似性構造と一致した最大情報を符号化する最も有効な階層、すなわち階層の存在を証明した。 本稿では,まず二分木をリンク方式で構築し,その二分木に有効性を持たせるための単純な2ステップアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2025-11-22T13:20:34Z)
• LH-Mix: Local Hierarchy Correlation Guided Mixup over Hierarchical Prompt Tuning [26.98015572633289]
  階層的テキスト分類(HTC)は、各テキストに1つ以上のラベルを割り当てることを目的としている。 これを解決するためには、テキスト固有のローカル階層を組み込むことが不可欠である。 まず、親子関係を捉えるために、まずローカル階層を手動の深さレベルのプロンプトに統合する。 次に、この階層的なプロンプトチューニングスキームにMixupを適用し、兄弟関係およびピア関係における潜時相関を改善する。
  論文  参考訳（メタデータ） (2024-12-22T10:47:18Z)
• Graph-based Time Series Clustering for End-to-End Hierarchical Forecasting [18.069747511100132]
  時系列間の関係は、効果的な予測モデル学習における帰納バイアスとして利用することができる。 本稿では,関係性および階層的帰納バイアスを統一するグラフベースの手法を提案する。
  論文  参考訳（メタデータ） (2023-05-30T16:27:25Z)
• Hierarchical clustering with dot products recovers hidden tree structure [53.68551192799585]
  本稿では,階層構造の回復に着目した凝集クラスタリングアルゴリズムの新しい視点を提案する。 クラスタを最大平均点積でマージし、例えば最小距離やクラスタ内分散でマージしないような、標準的なアルゴリズムの単純な変種を推奨する。 このアルゴリズムにより得られた木は、汎用確率的グラフィカルモデルの下で、データ中の生成的階層構造をボナフェイド推定することを示した。
  論文  参考訳（メタデータ） (2023-05-24T11:05:12Z)

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。