論文の概要: Orthogonality and Dimensionality in Airline Cluster Analysis using PCA and Kernel PCA

• arxiv url: http://arxiv.org/abs/2606.08322v1
• Date: Sat, 06 Jun 2026 20:20:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-09 14:42:06.040045
• Title: Orthogonality and Dimensionality in Airline Cluster Analysis using PCA and Kernel PCA
• Title（参考訳）: PCAとカーネルPCAを用いた航空クラスタ解析における直交性と次元性
• Authors: Andreas Schlapbach,
• Abstract要約: 3次元空間におけるk平均は、7次元の生空間に対してビット対ビットの同一クラスタ割り当てを生成する。 データセットは構造的に3つのクラスタしかサポートせず、6つではありません。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: To characterize the US airline profit cycles from 1995 to 2020, the authors of Renold et al. (2023) combine k-means clustering, principal component analysis, and system dynamic modelling. We replicate their clustering experiment in three spaces -- the original 7-dimensional raw-variable space, a 3-dimensional PC score space, and a 4-dimensional PC score space using their dataset gratefully included in the paper. We show that the six-cluster taxonomy is geometrically robust: k-means in 3-PC space produces bit-for-bit identical cluster assignments relative to 7D raw space. As a nonlinearity check we apply kernel PCA under six kernels spanning three families plus a linear baseline. All six kernels preserve the six-cluster assignment in 2D. A 1D diagnostic tightens this: the linear kernel conflates the COVID year C_3 with the peak-profit cluster C_0, whereas all five non-baseline kernels shift C_3 to overlap only the post-financial-crisis cluster C_5. Agreement across the kernel families confirms an intrinsically linear manifold with no hidden curvature. The silhouette criterion reveals that the dataset structurally supports only three clusters, not six. Collinearity in the raw 7D space suppresses the silhouette signal that would otherwise identify k=3 as the structurally motivated choice.
• Abstract（参考訳）: 1995年から2020年までの米国の航空会社の利益サイクルを特徴づけるために、Renold et al (2023)の著者らは、k平均クラスタリング、主成分分析、システム動的モデリングを組み合わせた。 本論文では, 元の7次元生変数空間, 3次元PCスコア空間, 4次元PCスコア空間の3つの空間でクラスタリング実験を再現する。 3PC空間のk平均は、7次元の原空間に対してビット対ビットの同一クラスタ割り当てを生成する。 非線形チェックとして、カーネルPCAを3つのファミリーにまたがる6つのカーネルと線形ベースラインで適用する。 6つのカーネルはすべて、2Dの6クラスタ割り当てを保持する。 1D診断により、線形カーネルは、新型コロナウイルス年C_3をピーク利益クラスタC_0と混同し、一方、5つの非ベースラインカーネルはすべてC_3をシフトして、後危機クラスタC_5のみをオーバーラップさせる。 核族間の合意は、隠れ曲率を持たない本質的に線型多様体を確認する。 シルエット基準は、データセットが構造的に6つではなく3つしかサポートしていないことを明らかにしている。 生の7D空間におけるコリナリティは、k=3を構造的に動機付けされた選択とみなすシルエット信号を抑制する。

関連論文リスト

• Curvature-Aware PCA with Geodesic Tangent Space Aggregation for Semi-Supervised Learning [52.452902154360565]
  GTSA-PCAは主成分分析の幾何学的拡張である。 曲率認識と測地的整合性を統合されたスペクトルフレームワークに統合する。 以上の結果から,GTSA-PCAは次元減少に対する統計的および幾何学的アプローチの原則的ブリッジとして位置づけられた。
  論文  参考訳（メタデータ） (2026-04-20T20:36:36Z)
• 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)
• Towards Robust Nonlinear Subspace Clustering: A Kernel Learning Approach [6.4314326272535896]
  カーネルベースのサブスペースクラスタリングはデータの非線形構造に対処する。 本稿では、カーネル誘起非線形サブスペースクラスタリングのための新しいパラダイムであるDKLMを提案する。
  論文  参考訳（メタデータ） (2025-01-10T22:41:02Z)
• Self-Supervised Graph Embedding Clustering [70.36328717683297]
  K-means 1-step dimensionality reduction clustering method は,クラスタリングタスクにおける次元性の呪いに対処する上で,いくつかの進歩をもたらした。 本稿では,K-meansに多様体学習を統合する統一フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-09-24T08:59:51Z)
• X-3D: Explicit 3D Structure Modeling for Point Cloud Recognition [73.0588783479853]
  X-3Dは明示的な3D構造モデリング手法である。 入力された3D空間内の明示的な局所構造情報をキャプチャする。 現在の局所領域内のすべての近傍点に対して共有重みを持つ動的カーネルを生成する。
  論文  参考訳（メタデータ） (2024-04-23T13:15:35Z)
• Frenet-Serret Frame-based Decomposition for Part Segmentation of 3D Curvilinear Structures [26.53820792357073]
  医用画像における正確な3次元キュビリニア構造のセグメンテーションは、複雑な形状のため、依然として困難である。 本稿では,Frenet-Serret Frame-based Decompositionを導入し,3次元曲線構造を大域(C2)連続曲線に分解する。 DenSpineEMの実験は、例外的なクロスリージョンおよびクロス種一般化を実証した。
  論文  参考訳（メタデータ） (2024-04-19T16:40:24Z)
• Semi-Supervised Subspace Clustering via Tensor Low-Rank Representation [64.49871502193477]
  本稿では,初期監視情報を同時に拡張し,識別親和性行列を構築することのできる,新しい半教師付きサブスペースクラスタリング手法を提案する。 6つの一般的なベンチマークデータセットの総合的な実験結果から,本手法が最先端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） (2022-05-21T01:47:17Z)

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。